Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
NGUYỄN ĐẮC THÀNH
NHẬN DẠNG VÀ PHÂN LOẠI HOA QUẢ TRONG ẢNH MÀU
LUẬN VĂN THẠC SĨ KỸ THUẬT PHẦN MỀM
Hà Nội – 2017
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
NGUYỄN ĐẮC THÀNH
NHẬN DẠNG VÀ PHÂN LOẠI HOA QUẢ TRONG ẢNH MÀU
Ngành: Công nghệ thông tin
Chuyên ngành: Kỹ thuật phần mềm
Mã số: 60480103
LUẬN VĂN THẠC SĨ KỸ THUẬT PHẦN MỀM
NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS. TS. LÊ THANH HÀ
NGƯỜI ĐỒNG HƯỚNG DẪN KHOA HỌC: TS. TRẦN QUỐC LONG
Hà Nội – 2017
1
Lời cam đoan
Tôi xin cam đoan đây là công trình nghiên cứu khoa học của riêng tôi và được sự
hướng dẫn khoa học của PGS. TS. Lê Thanh Hà và TS. Trần Quốc Long. Các nội dung
nghiên cứu, kết quả trong đề tài này là trung thực và chưa công bố dưới bất kỳ hình thức
nào trước đây. Những số liệu trong các bảng biểu phục vụ cho việc phân tích, nhận xét,
đánh giá được chính tác giả thu thập từ các nguồn khác nhau có ghi rõ trong phần tài
liệu tham khảo.
Ngoài ra, trong luận văn còn sử dụng một số nhận xét, đánh giá cũng như số liệu
của các tác giả khác, cơ quan tổ chức khác đều có trích dẫn và chú thích nguồn gốc. Nếu
phát hiện có bất kỳ sự gian lận nào tôi xin hoàn toàn chịu trách nhiệm về nội dung luận
văn của mình.
Học viên Cao học
Nguyễn Đắc Thành
2
Lời cảm ơn
Trước tiên, tôi xin bày tỏ sự biết ơn chân thành và sâu sắc nhất tới PGS. TS. Lê
Thanh Hà – Giáo viên hướng dẫn trực tiếp và TS. Trần Quốc Long – Giáo viên đồng
hướng dẫn của tôi, những người đã hết lòng hỗ trợ và giúp đỡ tôi trong quá trình nghiên
cứu và hoàn thiện luận văn thạc sĩ của mình. Đồng thời tôi cũng gửi lời cám ơn chân
thành đến Trần Tuấn Linh, thành viên nhóm đề tài, đã hỗ trợ tôi rất nhiều trong thời gian
xây dựng cơ sở dữ liệu cũng như phát triển và cài đặt giải pháp cho bài toán trong luận
văn này.
Tôi cũng xin gửi lời cảm ơn chân thành tới các thầy, các cô là giảng viên của
trường Đại học Công nghệ đã tận tình dạy dỗ và hướng dẫn cho tôi trong suốt quá trình
học tập thạc sĩ tại trường.
Và tôi cũng xin gửi lời cảm ơn tới bố mẹ và những người thân trong gia đình vì đã
nuôi nấng, dạy dỗ, chăm lo cho tôi, động viên tôi hoàn thành thật tốt khóa học thạc sĩ này.
Mặc dù đã hết sức cố gắng hoàn thành luận văn nhưng chắc chắn sẽ không tránh
khỏi những sai sót. Kính mong nhận được sự cảm thông, chỉ bảo tận tình của các quý
thầy cô và các bạn.
Tôi xin chân thành cảm ơn!
3
Mục lục
Lời cam đoan .................................................................................................................. 1
Lời cảm ơn ...................................................................................................................... 2
Danh mục hình vẽ .......................................................................................................... 5
Danh mục bảng biểu ...................................................................................................... 6
Danh mục từ viết tắt ...................................................................................................... 7
MỞ ĐẦU ......................................................................................................................... 8
1. Tính cấp thiết của đề tài luận văn .......................................................................... 8
2. Mục tiêu của luận văn ........................................................................................... 8
2.1. Cơ sở dữ liệu ảnh hoa quả .............................................................................. 8
2.2. Bộ huấn luyện nhận dạng hoa quả .................................................................. 9
2.3. Ứng dụng nhận dạng hoa quả ......................................................................... 9
3. Cấu trúc của luận văn ............................................................................................ 9
Chương 1. Giới thiệu tổng quan ............................................................................ 11
1.1. Bài toán nhận dạng và phân loại hoa quả ........................................................ 11
1.2. Các hướng tiếp cận và giải quyết bài toán ....................................................... 12
1.2.1. Phương pháp Học máy truyền thống......................................................... 13
1.2.2. Phương pháp Học sâu ............................................................................... 15
Chương 2. Mạng nơ-ron tích chập ........................................................................ 19
2.1. Kiến trúc Mạng nơ-ron tích chập ........................................................................ 19
2.2. Học chuyển giao và tinh chỉnh mô hình huấn luyện ........................................... 22
2.3. Mạng huấn luyện AlexNet .................................................................................. 25
2.3.1. Kiến trúc mạng AlexNet ........................................................................... 26
2.3.2. Ứng dụng mạng AlexNet vào bài toán Nhận dạng, phân loại hoa quả ..... 27
Chương 3. Hệ thống phần mềm nhận dạng hoa quả ........................................... 29
3.1. Tổng quan hệ thống ............................................................................................. 29
3.2. Mô đun quản lý cơ sở dữ liệu.............................................................................. 32
3.3. Bộ huấn luyện mô hình ....................................................................................... 33
3.3.1. Môi trường huấn luyện .............................................................................. 37
3.3.2. Cấu hình mạng huấn luyện AlexNet ......................................................... 38
3.3.3. Một số hình ảnh về đặc trưng do mạng AlexNet tính toán ....................... 39
3.4. Các mô đun phía Server ...................................................................................... 41
3.5. Ứng dụng phía Client .......................................................................................... 45
4
Chương 4. Kết quả thử nghiệm và đánh giá ........................................................ 49
4.1. So sánh với phương pháp Học máy truyền thống ............................................... 49
4.2. So sánh kết quả với bộ CSDL được sinh tự động ............................................... 51
4.3. Thử nghiệm ứng dụng trong thực tế ................................................................... 53
Chương 5. Kết luận ................................................................................................. 55
TÀI LIỆU THAM KHẢO ........................................................................................... 56
5
Danh mục hình vẽ
Hình 1.1: Các khó khăn trong bài toán nhận dạng vật thể trong ảnh ............................ 12
Hình 1.2: Sự đa dạng về chủng loại của một loại hoa quả ............................................ 12
Hình 1.3: Các thông tin về hình học được tính toán bởi các thuật toán Xử lý ảnh ....... 13
Hình 1.4: Mô hình hoạt động chung của các phương pháp Học máy [2] ..................... 14
Hình 1.5: Mối quan hệ của Học sâu với các lĩnh vực liên quan .................................... 16
Hình 1.6: Mức độ trừu tượng tăng dần qua các tầng học của Học sâu [11] .................. 16
Hình 1.7: Bức ảnh quả tạ hai đầu sinh ra bởi mô hình dự đoán Học sâu ...................... 17
Hình 2.1: Kiến trúc cơ bản của một mạng tích chập ..................................................... 19
Hình 2.2: Ví dụ bộ lọc tích chập được sử dụng trên ma trận điểm ảnh ........................ 20
Hình 2.3: Trường hợp thêm/không thêm viền trắng vào ảnh khi tích chập .................. 21
Hình 2.4: Phương thức Avarage Pooling và Max Pooling ............................................ 22
Hình 2.5: Kết quả thực nghiệm theo số lượng lớp mạng CNN được chuyển giao [16] 24
Hình 2.6: Kết quả huấn luyện sau khi tinh chỉnh mạng AlexNet [17] .......................... 25
Hình 2.7: Kiến trúc mạng AlexNet [20] ........................................................................ 26
Hình 2.8: Kiến trúc mạng AlexNet ở dạng phẳng ......................................................... 27
Hình 3.1: Kiến trúc Client-Server n tầng....................................................................... 30
Hình 3.2: Luồng hoạt động chính của hệ thống ............................................................ 32
Hình 3.3: Biểu đồ ca sử dụng của Bộ huấn luyện mô hình ........................................... 34
Hình 3.4: Các framework Học sâu nổi tiếng trên thế giới ............................................. 37
Hình 3.5: Cách thức framework Caffe định nghĩa một lớp trong mạng CNN .............. 39
Hình 3.6: Các đặc trưng tiêu biểu của lớp tích chập đầu tiên [25] ................................ 40
Hình 3.7: Kết quả ảnh đầu ra qua các lớp tích chập ...................................................... 41
Hình 3.8: Biểu đồ ca sử dụng của Server ...................................................................... 41
Hình 3.9: Biểu đồ ca sử dụng của Client ....................................................................... 46
Hình 4.1: Một số ảnh đã lọc nền trong bộ CSDL 20 loại quả ....................................... 49
Hình 4.2: Ảnh hoa quả gốc và các ảnh được sinh tự động ............................................ 52
Hình 4.3: Kết quả nhận dạng tốt với loại quả có đặc trưng riêng biệt .......................... 53
Hình 4.4: Kết quả nhận dạng chưa tốt với loại quả không có đặc trưng riêng biệt ....... 53
Hình 4.5: Kết quả nhận dạng với loại quả không được huấn luyện .............................. 54
6
Danh mục bảng biểu
Bảng 4.1: So sánh sơ bộ kết quả huấn luyện của 2 phương pháp ................................. 51
Bảng 4.2: Ảnh hưởng của bộ ảnh sinh tự động với chất lượng mô hình nhận dạng ..... 52
7
Danh mục từ viết tắt
STT Từ viết tắt Ý nghĩa
1 CSDL Cơ sở dữ liệu
2 CNN Convolutional Neural Network – Mạng nơ ron tích chập
3 ReLU Rectified Linear Unit – Tinh chỉnh đơn vị tuyến tính
4 GPU Graphics Processing Unit – Bộ vi xử lý đồ họa
8
MỞ ĐẦU
1. Tính cấp thiết của đề tài luận văn
Hiện nay, ở nước ta nói riêng và ở các nước đang phát triển có nền nông nghiệp
là một trong các ngành sản xuất chủ yếu, quá trình thu hoạch, phân loại và đánh giá chất
lượng các loại sản phẩm nông nghiệp, đặc biệt là các loại hoa quả, chủ yếu còn phải
thực hiện bằng các phương pháp thủ công. Đây là công việc không quá khó, nhưng tiêu
tốn nhiều thời gian, công sức của con người và là rào cản đối với mở rộng phát triển quy
mô sản xuất nông nghiệp. Do đó, nhiều phương pháp tự động hóa công việc thu hoạch,
nhận dạng và đánh giá chất lượng hoa quả đã được nghiên cứu và đưa vào ứng dụng
thực tế, trong đó sử dụng chủ yếu các phương pháp Xử lý ảnh đơn thuần. Tuy nhiên, các
phương pháp này vẫn chưa thực sự thỏa mãn yêu cầu về khả năng nhận dạng một số
lượng lớn các loại hoa quả với độ chính xác cao do bị hạn chế bởi các đặc trưng của bài
toán nhận dạng hoa quả: số lượng chủng loại lớn với nhiều loại hoa quả hết sức tương
tự nhau, sự biến thiên về hình dạng, màu sắc, chi tiết trong từng loại quả cũng rất khó
dự đoán trước…
Trong thời gian gần đây, nhờ có sự phát triển mạnh mẽ về khả năng tính toán của
các thế hệ máy tính hiện đại cũng như sự bùng nổ về dữ liệu thông qua mạng lưới Internet
trải rộng, ta đã chứng kiến nhiều sự đột phá trong lĩnh vực Học máy, đặc biệt là trong
lĩnh vực Thị giác máy tính. Sự quay lại và phát triển vượt bậc của các phương pháp Học
sâu đã giúp Thị giác máy tính đạt được những thành tựu đáng kể trong lĩnh vực Nhận
dạng ảnh, trong đó có bài toán nhận dạng hoa quả. Đề tài nghiên cứu “Nhận dạng và
phần loại hoa quả trong ảnh màu” đã được đưa ra với hy vọng có thể ứng dụng thành
công các mô hình học sâu hiện đại để xây dựng một hệ thống nhận dạng hoa quả tự
động, đặc biệt là đối với các loại hoa quả phổ biến tại nước ta.
2. Mục tiêu của luận văn
Do thời gian hạn chế trong thời gian thực hiện nghiên cứu, luận văn trước hết tập
trung nghiên cứu, tìm hiểu và so sánh các phương pháp Học máy truyền thống với
phương pháp Học sâu, đồng thời thực hiện cài đặt một mô hình huấn luyện về nhận dạng
ảnh trong Học sâu với số lượng hoa quả được hạn chế, và sử dụng chúng làm bộ nhận
dạng cơ sở cho ứng dụng hỗ trợ nhận dạng hoa quả trên điện thoại thông minh.
2.1. Cơ sở dữ liệu ảnh hoa quả
Bộ cơ sở dữ liệu ảnh là một trong các thành phần quan trọng hàng đầu trong các
phương pháp Học máy nói chung, được sử dụng để phục vụ cho quá trình tính toán tham
số và huấn luyện, tinh chỉnh các mô hình. Thông thường, bộ dữ liệu càng lớn và càng
được chọn lọc tỉ mỉ cẩn thận thì độ chính xác của mô hình càng được cải thiện, nhưng
9
trong phạm vi luận văn này kích thước CSDL sẽ được hạn chế, cả về số lượng loại hoa
quả sẽ nhận dạng cũng như số lượng ảnh chụp cho mỗi loại hoa quả đó. Cụ thể:
- Số lượng hoa quả sẽ nhận dạng: 40 loại hoa quả phổ biến ở nước ta như nho,
táo, chuối, thanh long…
- Số lượng ảnh gốc cho mỗi loại quả: 500-1000 ảnh, bao gồm các ảnh chụp hoa
quả ở các góc độ khác nhau với nền tùy ý, có thể lấy từ nguồn trên mạng hoặc
tự chụp bằng thiết bị camera cá nhân.
Sau khi đã thu thập đủ số lượng ảnh gốc cho các loại hoa quả, ta sẽ sử dụng các
thuật toán chỉnh sửa ảnh, như làm nghiêng ảnh, chèn thêm nhiễu hoặc ghép ảnh với nền
khác, để tạo thêm ảnh mới nhằm tăng cường kích thước cơ sở dữ liệu.
2.2. Bộ huấn luyện nhận dạng hoa quả
Để đưa ra đánh giá tổng quát và so sánh độ chính xác tương đối giữa các phương
pháp Học máy truyền thống với phương pháp Học sâu, luận văn thực hiện cài đặt một
mạng huấn luyện nơ-ron nhân tạo truyền thống và một mạng huấn luyện nơ-ron tích
chập trong Học sâu, sau khi thực hiện huấn luyện trên cùng bộ cơ sở dữ liệu ảnh và so
sánh kết quả.
Đối với phương pháp Học máy truyền thống: nghiên cứu, tìm hiểu các phương
pháp đã được trình bày trong các bài báo, công trình khoa học và thống kê ra các đặc
trưng thường được sử dụng và cho kết quả huấn luyện tốt nhất. Các đặc trưng này thể
hiện thông tin của hoa quả về màu sắc, hình dạng và kết cấu, và được đưa vào bộ tính
toán, trích chọn đặc trưng của mạng nơ-ron nhân tạo.
Đối với mạng nơ-ron tích chập thuộc nhóm Học sâu: tìm hiểu và chọn một trong
các mô hình huấn luyện phổ biến trong lĩnh vực Nhận dạng ảnh trên thế giới để thực
hiện cài đặt và so sánh kết quả với bộ nhận dạng truyền thống.
2.3. Ứng dụng nhận dạng hoa quả
Một trong các mục tiêu của luận văn là xây dựng thành công một ứng dụng đơn
giản trên điện thoại thông minh nhằm hỗ trợ người dùng nhận dạng hoa quả. Nguyên
nhân chọn điện thoại thông minh làm nền tảng cho ứng dụng vì sự phổ biến cũng như
tính cơ động của thiết bị, điều này giúp cho ứng dụng dễ dàng được phổ biến hơn từ đó
hỗ trợ việc thu thập ảnh chụp cho cơ sở dữ liệu từ các cộng tác viên sử dụng ứng dụng.
Hệ thống nhận dạng hoa quả - Fruit Recognition System - ngoài ứng dụng client
trên điện thoại thông minh còn có một máy chủ server để thực hiện tất cả các bước huấn
luyện và nạp mô hình nhận dạng, các bước tính toán nhận dạng loại hoa quả dựa trên
ảnh chụp nhận được từ ứng dụng client. Việc đặt mọi tính toán xử lý trên máy chủ nhằm
mục đích quản lý tập trung, tăng hiệu năng tính toán cũng như đơn giản hóa ứng dụng
client trên điện thoại thông minh, giúp ứng dụng không bị hạn chế bởi các nền tảng, môi
trường khác nhau.
3. Cấu trúc của luận văn
10
Dựa trên mục tiêu cụ thể đã trình bày trong phần trước, luận văn được tổ chức
thành năm chương với các nội dung cụ thể như sau:
Chương 1: Trong chương tổng quan này, ta sẽ có ra cái nhìn tổng quan về các
hướng tiếp cận và giải pháp đã được ứng dụng trong bài toán nhận dạng phân loại hoa
quả, từ các phương pháp thuần tính toán xử lý ảnh tương đối thô sơ cho tới các phương
pháp Học máy truyền thống và cuối cùng là các phương pháp Học sâu - một nhánh đặc
biệt trong Học máy.
Chương 2: Chương này sẽ đi sâu hơn vào một mạng huấn luyện trong Học sâu
thường được sử dụng trong lĩnh vực Nhận dạng ảnh - mạng nơ-ron tích chập, và tìm
hiểu chìa khóa giải quyết bài toán nhận dạng ảnh với bộ dữ liệu huấn luyện có kích
thước tương đối nhỏ.
Chương 3: Trong chương tiếp theo, ta sẽ đi vào phần mô tả tổng quan Hệ thống
nhận dạng hoa quả tự động, với các mô đun chính như máy chủ, máy trạm, bộ huấn
luyện và nhận dạng … Ngoài ra, cách thức thu thập, chỉnh sửa cơ sở dữ liệu ảnh và cách
cài đặt triển khai môi trường huấn luyện cho mô hình mạng nơ-ron tích chập đã chọn
trong chương 2 cũng sẽ được trình bày cụ thể tại đây.
Chương 4: Chương 4 tập trung trình bày về kết quả thực nghiệm, bao gồm kết
quả so sánh độ chính xác giữa các phương pháp Học máy truyền thống với phương pháp
Học sâu, cùng với các đánh giá về độ hiệu quả của bộ tạo dữ liệu ảnh nhiễu cũng như
các ảnh chụp thực tế khi được sử dụng trong thực tế. Dựa trên các kết quả thực nghiệm
này, ta sẽ đưa ra một số phân tích và kết luận về điểm mạnh và điểm hạn chế của mô
hình huấn luyện Học sâu đã chọn.
Chương 5: Cuối cùng, chương 5 sẽ tổng kết các nội dung đã trình bày trong luận
văn, từ đó đề xuất các phương hướng nghiên cứu tiếp theo để tiếp tục cải thiện chất
lượng nhận dạng của hệ thống.
11
Chương 1. Giới thiệu tổng quan
1.1. Bài toán nhận dạng và phân loại hoa quả
Nhận dạng vật thể trong ảnh được coi là bài toán cơ bản nhất trong lĩnh vực Thị
giác máy tính, là nền tảng cho rất nhiều bài toán mở rộng khác như bài toán phân lớp,
định vị, tách biệt vật thể.... Tuy bài toán cơ bản này đã tồn tại hàng thế kỷ nhưng con
người vẫn chưa thể giải quyết nó một cách triệt để, do tồn tại rất nhiều khó khăn để máy
tính có thể hiểu được các thông tin trong một bức ảnh. Trong đó, những khó khăn tiêu
biểu [3] phải kể đến:
- Sự đa dạng trong điểm nhìn – Viewpoint: Cùng một vật thể nhưng có thể có rất
nhiều vị trí và góc nhìn khác nhau, dẫn đến các hình ảnh thu được về vật thể đó sẽ không
giống nhau. Việc huấn luyện để máy tính có thể hiểu được điều này thực sự là một thách
thức khó khăn.
- Sự đa dạng trong kích thước: Các bức ảnh không có cách nào thể hiện trường
thông tin về kích thước của vật thể trong đời thực, và máy tính cũng chỉ có thể tính toán
được tỉ lệ tương đối của vật thể so với bức ảnh bằng cách đếm theo số lượng các điểm
ảnh vật thể đó chiếm trong ảnh.
- Các điều kiện khác nhau của chiếu sáng: Ánh sáng có ảnh hưởng mạnh mẽ đến
thông tin thể hiện trong một bức ảnh, đặc biệt là ở mức độ thấp như mức độ điểm ảnh.
- Sự ẩn giấu một phần của vật thể sau các đối tượng khác trong ảnh: Trong các
bức ảnh, vật thể không nhất định phải xuất hiện với đầy đủ hình dạng mà có thể bị che
lấp một phần nào đó bởi nền hoặc các vật thể xung quanh. Sự không đầy đủ về hình
dạng của vật thể sẽ dẫn đến việc thiếu thông tin, đặc trưng và càng làm bài toán nhận
dạng khó khăn hơn.
- Sự lộn xộn phức tạp của nền: Trong nhiều trường hợp, vật thể cần nhận dạng bị
lẫn gần như hoàn toàn vào nền của bức ảnh, sự lẫn lộn về màu sắc, họa tiết giữa vật thể
và nền khiến cho việc nhận dạng trở nên vô cùng khó khăn, kể cả với thị giác con người.
- Sự đa dạng về chủng loại vật thể: Vật thể cần nhận dạng có thể bao gồm nhiều
chủng loại khác nhau, với hình dạng, màu sắc, kết cấu vô cùng khác biệt. Đây chính là
một thách thức nữa với bài toán nhận dạng, đó là làm thế nào để các mô hình nhận dạng
của máy tính có thể nhận biết được các biến thể về chủng loại của vật thể, ví dụ các loại
ghế khác nhau, trong khi vẫn tách biệt được đâu là các vật thể khác loại, ví dụ phân biệt
bàn với ghế...
12
Hình 1.1: Các khó khăn trong bài toán nhận dạng vật thể trong ảnh
Là một trường hợp cụ thể của bài toán nhận dạng và phân lớp, bài toán nhận dạng
hoa quả kế thừa các khó khăn vốn có của bài toán gốc, và kèm theo là các khó khăn
riêng của chính nó, như: số lượng khổng lồ về chủng loại hoa quả theo mùa, vùng miền,
địa hình… với vô số loại hoa quả có hình dáng, màu sắc, kết cấu giống nhau, dải biến
thiên màu sắc theo chu kỳ phát triển của quả từ lúc còn xanh đến lúc chín, hay sự đa
dạng về hình dạng của cùng một loại quả do ảnh hưởng của thời tiết, điều kiện thổ
nhưỡng và chế độ dinh dưỡng…
Hình 1.2: Sự đa dạng về chủng loại của một loại hoa quả
1.2. Các hướng tiếp cận và giải quyết bài toán
Bài toán tự động nhận dạng hoa quả đã xuất hiện từ lâu và đã có rất nhiều bài
báo, công trình khoa học được đưa ra nhằm đề xuất hoặc cải tiến các thuật toán nhận
dạng. Trong đó, xuất hiện sớm nhất là các phương pháp Xử lý ảnh – Image Processing,
13
các phương pháp này tập trung vào phát triển các thuật toán nhằm trích xuất thông tin,
ví dụ các tham số về màu sắc, hình dạng, kết cấu, kích thước…, từ bức ảnh đầu vào để
nhận dạng hoa quả [4, 5]. Do chỉ đơn thuần xử lý trên một vài ảnh đầu vào trong khi sự
biến thiên về màu sắc, hình dạng, kích thước… của hoa quả quá phức tạp, kết quả đạt
được của các phương pháp này không được cao và phạm vi áp dụng trên số lượng loại
hoa quả cũng bị hạn chế.
Hình 1.3: Các thông tin về hình học được tính toán bởi các thuật toán Xử lý ảnh
Bắt đầu từ những năm 2000s, sau khi xuất hiện một bài bài báo khoa học đề xuất
áp dụng phương pháp Học máy - Machine Learning - vào bài toán nhận dạng hoa quả
với độ chính xác cao [6], hướng giải quyết bài toán đã tập trung vào ứng dụng và cải
tiến các thuật toán Học máy, cụ thể là nghiên cứu, thử nghiệm trích chọn các đặc trưng
phù hợp nhất để đưa vào huấn luyện bộ nhận dạng tự động [7-9]. Kết quả thu được tương
đối khả quan, khả năng nhận dạng hoa quả tự động đã được cải thiện với số lượng loại
hoa quả được mở rộng và độ chính xác của nhận dạng cao hơn nhiều so với các phương
pháp thuần Xử lý ảnh ban đầu. Nối tiếp sự phát triển của Học máy, trong những năm
gần đây, nhờ sự phát triển vượt bậc về sức mạnh tính toán của các máy tính cũng như
sự bùng nổ dữ liệu trên Internet, một nhánh đặc biệt trong Học máy là Học sâu - Deep
Learning đã đạt được nhiều thành tựu đáng kể, đặc biệt là trong lĩnh vực Xử lý ảnh và
ngôn ngữ tự nhiên. Học sâu cũng đã được áp dụng rất thành công vào bài toán nhận
dạng hoa quả, trong các thử nghiệm với phạm vi hạn chế về số lượng loại hoa quả cần
nhận dạng, phương pháp này đã đạt được kết quả rất cao. Sau đây ta sẽ tìm hiểu sâu hơn
về hai tiếp cận chính hiện nay để giải quyết bài toán nhận dạng hoa quả nói riêng và
nhận dạng vật thể trong ảnh nói chung: phương pháp Học sâu và các phương pháp Học
máy truyền thống không sử dụng Học sâu.
1.2.1. Phương pháp Học máy truyền thống
Mô hình hoạt động chung của các phương pháp Học máy truyền thống được thể
hiện trong Hình 1.4 dưới đây [2]:
14
Hình 1.4: Mô hình hoạt động chung của các phương pháp Học máy [2]
Từ hình ta có thể thấy Học máy gồm hai giai đoạn chính là Huấn luyện – Training
và Thử nghiệm – Testing, trong mỗi giai đoạn đều sử dụng hai thành phần quan trọng
nhất do người xử lý bài toán thiết kế, đó là Trích chọn đặc trưng – Feature Engineering
(hay còn gọi là Feature Extraction) và Thuật toán phân loại, nhận dạng… - Algorithms.
Hai thành phần này có ảnh hưởng trực tiếp đến kết quả bài toán, vì thế được thiết kế rất
cẩn thận, tốn nhiều thời gian, đòi hỏi người thiết kế phải có kiến thức chuyên môn và
nắm rõ đặc điểm của bài toán cần xử lý.
1.2.1.1. Trích chọn đặc trưng
Trong các bài toán thực tế, ta chỉ có được những dữ liệu thô chưa qua chọn lọc
xử lý, và để có thể đưa các dữ liệu này vào huấn luyện ta cần có những phép biến đổi để
biến các dữ liệu thô thành dữ liệu chuẩn, với khả năng biểu diễn dữ liệu tốt hơn. Các
phép biến đổi bao gồm loại bỏ dữ liệu nhiễu và tính toán để lưu lại các thông tin đặc
trưng, có ý nghĩa từ dữ liệu thô ban đầu. Các thông tin đặc trưng này là khác nhau với
từng loại dữ liệu và bài toán cụ thể, vì thế trong từng trường hợp phép biến đổi này cần
phải được tùy biến một cách thích hợp để cải thiện độ chính xác của mô hình dự đoán.
Quá trình này được gọi là Trích chọn đặc trưng – Feature Engineering, là một thành
phần rất quan trọng trong các phương pháp Học máy truyền thống.
15
- Đầu vào: Toàn bộ thông tin của dữ liệu, không có quy chuẩn về dạng
thông tin (véc tơ, ma trận…) hay kích thước các chiều thông tin. Đồng thời, do chứa
toàn bộ thông tin, gồm cả thông tin nhiễu và không có giá trị nên kích thước lưu trữ
thường lớn và không có lợi cho tính toán sau này.
- Đầu ra: Các thông tin hữu ích đã được tính toán, rút ra từ dữ liệu đầu vào,
trong đó không còn các thành phần nhiễu hay vô nghĩa. Kích thước dữ liệu đầu ra đã
được rút gọn rất nhiều so với kích thước dữ liệu đầu vào, giúp cho việc tính toán về sau
trở nên nhanh gọn, thuận tiện hơn rất nhiều.
- Thông tin biết trước về dữ liệu: Đây là thành phần tùy chọn, không bắt
buộc với mọi bài toán, mà chỉ xuất hiện trong một số trường hợp cụ thể với những thông
tin rõ ràng về đặc trưng hữu ích với mô hình dự đoán. Các thông tin biết trước này giúp
người thiết kế có thể lựa chọn được những đặc trưng tốt nhất và các phương pháp tính
toán phù hợp nhất để ra được mô hình dự đoán với độ chính xác cao.
1.2.1.2. Thuật toán
Sau quá trình trích chọn đặc trưng ở bước trước, ta có được các đặc trưng, được
lưu trữ ở định dạng chuẩn về kiểu dữ liệu, kích thước dữ liệu…, và các thông tin đặc
trưng này có thể được sử dụng cùng với các thông tin biết trước về dữ liệu (nếu có) để
xây dựng ra các mô hình dự đoán phù hợp bằng các thuật toán khác nhau. Các thuật toán
trong Học máy thường được phân loại theo hai cách phổ biến là theo phương thức học
hoặc theo chức năng của thuật toán, ví dụ như:
- Phân nhóm theo phương thức học: Học giám sát và Học không giám sát
(Supervised và Unsupervised Learning)
- Phân nhóm theo chức năng: Các thuật toán hồi quy, phân loại, gom nhóm…
Một đặc điểm nổi bật của các phương pháp Học máy truyền thống là độ chính
xác của mô hình dự đoán phụ thuộc rất nhiều vào chất lượng các đặc trưng được lựa
chọn, các đặc trưng này càng phù hợp với bài toán đưa ra thì kết quả thu được càng tốt.
Đây là điểm mạnh, và cũng là điểm yếu của các phương pháp này, bởi việc trích chọn
đặc trưng chính là sự đóng góp của bản tay con người trong việc cải tiến các mô hình,
nó yêu cầu sự hiểu biết thấu đáo về bài toán cần giải quyết, các thuật toán sử dụng và
các thông số trong mô hình huấn luyện. Các đặc trưng được thiết kế riêng cho từng bài
toán khác biệt, do vậy hiếm khi chúng có thể được tái sử dụng với các bài toán mới mà
cần phải được cải thiện hay thay thế bởi các đặc trưng khác.
1.2.2. Phương pháp Học sâu
Học sâu là một nhánh đặc biệt của ngành Học máy, và bắt đầu trở nên phổ biến
trong thập kỷ gần đây do các nhà khoa học đã có thể tận dụng khả năng tính toán mạnh
mẽ của các máy tính hiện đại cũng như khối lượng dữ liệu khổng lồ (hình ảnh, âm thanh,
văn bản,…) trên Internet. Ta có thể thấy rõ mối quan hệ giữa Học sâu với Học máy cũng
như các lĩnh vực liên quan khác qua hình ảnh mô tả bên dưới (Hình 1.5) [10]:
16
Hình 1.5: Mối quan hệ của Học sâu với các lĩnh vực liên quan
Các mạng huấn luyện theo phương pháp Học sâu còn được gọi với cái tên khác
là mạng nơ-ron sâu (Deep Neural Network) do cách thức hoạt động của chúng. Về cơ
bản, các mạng này bao gồm rất nhiều lớp khác nhau, mỗi lớp sẽ phân tích dữ liệu đầu
vào theo các khía cạnh khác nhau và theo mức độ trừu tượng nâng cao dần (xem Hình
1.6).
Hình 1.6: Mức độ trừu tượng tăng dần qua các tầng học của Học sâu [11]
17
Cụ thể, với một mạng Học sâu cho nhận dạng ảnh, các lớp đầu tiên trong mạng
chỉ làm nhiệm vụ rất đơn giản là tìm kiếm các đường thẳng, đường cong, hoặc đốm màu
trong ảnh đầu vào. Các thông tin này sẽ được sử dụng làm đầu vào cho các lớp tiếp theo,
với nhiệm vụ khó hơn là từ các đường, các cạnh đó tìm ra các thành phần của vật thể
trong ảnh. Cuối cùng, các lớp cao nhất trong mạng huấn luyện sẽ nhận nhiệm vụ phát
hiện ra vật thể trong ảnh.
Với cách thức học thông tin từ ảnh lần lượt qua rất nhiều lớp, nhiều tầng khác
nhau như vậy, các phương pháp này có thể giúp cho máy tính hiểu được những dữ liệu
phức tạp bằng nhiều lớp thông tin đơn giản qua từng bước phân tích. Đó cũng là lý do
chúng được gọi là các phương pháp Học sâu.
Tuy có nhiều điểm ưu việt trong khả năng huấn luyện máy tính cho các bài toán
phức tạp, Học sâu vẫn còn rất nhiều giới hạn khiến nó chưa thể được áp dụng vào giải
quyết mọi vấn đề. Điểm hạn chế lớn nhất của phương pháp này là yêu cầu về kích thước
dữ liệu huấn luyện, mô hình huấn luyện Học sâu đòi hỏi phải có một lượng khổng lồ dữ
liệu đầu vào để có thể thực hiện việc học qua nhiều lớp với một số lượng lớn nơ-ron và
tham số. Đồng thời, việc tính toán trên quy mô dữ liệu và tham số lớn như vậy cũng yêu
cầu đến sức mạnh xử lý của các máy tính server cỡ lớn. Quy trình chọn lọc dữ liệu cũng
như huấn luyện mô hình đều tốn nhiều thời gian và công sức, dẫn đến việc thử nghiệm
các tham số mới cho mô hình là công việc xa xỉ, khó thực hiện. Tuy nhiên, nhờ các
phương pháp Học tập chuyển giao, hiện nay điểm hạn chế lớn nhất này đã không còn là
vấn đề quá nghiêm trọng như trước – điều này sẽ được trình bày cụ thể trong các chương
sau.
Ngoài hạn chế về kích thước dữ liệu đầu vào, Học sâu còn chưa đủ thông minh
để nhận biết và hiểu được các logic phức tạp như con người, các tác vụ do chúng thực
hiện vẫn tương đối máy móc và cần cải thiện để “thông minh” hơn nữa. Trong ví dụ
Hình 1.7, ta có thể nhận thấy sự vô lý trong bức ảnh về quả tạ hai đầu mà mạng Học sâu
tạo ra sau khi được huấn luyện với hàng loạt ảnh mẫu. Bức ảnh có chứa các phần ảnh
về cánh tay con người, là thành phần không phải thuộc về quả tạ. Việc hình ảnh cánh
tay xuất hiện trong phần lớn các ảnh mẫu đã dẫn đến sự nhầm lẫn của mô hình dự đoán
này.
Hình 1.7: Bức ảnh quả tạ hai đầu sinh ra bởi mô hình dự đoán Học sâu
18
Như đã trình bày trong phần mở đầu, mục đích của luận văn là tìm hiểu và ứng
dụng một mô hình Học sâu vào bài toán nhận dạng, phân loại hoa quả, nguyên nhân
chính khiến Học sâu được chọn làm giải pháp là bởi khả năng mạnh mẽ vượt trội của
nó đối với các phương pháp Học máy truyền thống khi áp dụng vào các bài toán nhận
dạng vật thể, trong đó vật thể là các đối tượng rất khó chọn lọc đặc trưng phù hợp, cụ
thể với trường hợp này là các loại hoa quả. Để chứng minh cho nhận định này, luận văn
đã thực hiện phép so sánh độ chính xác của hai mô hình nhận dạng, được huấn luyện
lần lượt bởi hai phương pháp trên với cùng bộ dữ liệu đầu vào. Kết quả cụ thể sẽ được
trình bày trong Chương 4 – Kết quả thực nghiệm và Đánh giá.
19
Chương 2. Mạng nơ-ron tích chập
Mạng nơ-ron tích chập (CNN - Convolutional Neural Network) là một trong
những mô hình mạng Học sâu phổ biến nhất hiện nay, có khả năng nhận dạng và phân
loại hình ảnh với độ chính xác rất cao, thậm chí còn tốt hơn con người trong nhiều trường
hợp. Mô hình này đã và đang được phát triển, ứng dụng vào các hệ thống xử lý ảnh lớn
của Facebook, Google hay Amazon… cho các mục đích khác nhau như các thuật toán
tagging tự động, tìm kiếm ảnh hoặc gợi ý sản phẩm cho người tiêu dùng.
Sự ra đời của mạng CNN là dựa trên ý tưởng cải tiến cách thức các mạng nơ-ron
nhân tạo truyền thống học thông tin trong ảnh. Do sử dụng các liên kết đầy đủ giữa các
điểm ảnh vào node, các mạng nơ-ron nhân tạo truyền thẳng (Feedforward Neural
Network) bị hạn chế rất nhiều bởi kích thước của ảnh, ảnh càng lớn thì số lượng liên kết
càng tăng nhanh và kéo theo sự bùng nổ khối lượng tính toán. Ngoài ra sự liên kết đầy
đủ này cũng là sự dư thừa khi với mỗi bức ảnh, các thông tin chủ yếu thể hiện qua sự
phụ thuộc giữa các điểm ảnh với những điểm xung quanh nó mà không quan tâm nhiều
đến các điểm ảnh ở cách xa nhau. Mạng CNN ra đời với kiến trúc thay đổi, có khả năng
xây dựng liên kết chỉ sử dụng một phần cục bộ trong ảnh kết nối đến node trong lớp tiếp
theo thay vì toàn bộ ảnh như trong mạng nơ-ron truyền thẳng.
2.1. Kiến trúc Mạng nơ-ron tích chập
Các lớp cơ bản trong một mạng CNN bao gồm: Lớp tích chập (Convolutional),
Lớp kích hoạt phi tuyến ReLU (Rectified Linear Unit), Lớp lấy mẫu (Pooling) và Lớp
kết nối đầy đủ (Fully-connected), được thay đổi về số lượng và cách sắp xếp để tạo ra
các mô hình huấn luyện phù hợp cho từng bài toán khác nhau.
Hình 2.1: Kiến trúc cơ bản của một mạng tích chập
- Lớp tích chập:
Đây là thành phần quan trọng nhất trong mạng CNN, cũng là nơi thể hiện tư
tưởng xây dựng sự liên kết cục bộ thay vì kết nối toàn bộ các điểm ảnh. Các liên kết cục
bộ này được tính toán bằng phép tích chập giữa các giá trị điểm ảnh trong một vùng ảnh
cục bộ với các bộ lọc – filters – có kích thước nhỏ.
20
Hình 2.2: Ví dụ bộ lọc tích chập được sử dụng trên ma trận điểm ảnh
Trong ví dụ ở Hình 2.2 [12], ta thấy bộ lọc được sử dụng là một ma trận có kích
thước 3x3. Bộ lọc này được dịch chuyển lần lượt qua từng vùng ảnh đến khi hoàn thành
quét toàn bộ bức ảnh, tạo ra một bức ảnh mới có kích thước nhỏ hơn hoặc bằng với kích
thước ảnh đầu vào. Kích thước này được quyết định tùy theo kích thước các khoảng
trắng được thêm ở viền bức ảnh gốc và được tính theo công thức (1) [13]:
𝑜 = 𝑖+2∗𝑝−𝑘
𝑠+ 1 (1)
Trong đó:
- o: kích thước ảnh đầu ra
- i: kích thước ảnh đầu vào
- p: kích thước khoảng trắng phía ngoài viền của ảnh gốc
- k: kích thước bộ lọc
- s: bước trượt của bộ lọc
21
Hình 2.3: Trường hợp thêm/không thêm viền trắng vào ảnh khi tích chập
Như vậy, sau khi đưa một bức ảnh đầu vào cho lớp Tích chập ta nhận được kết
quả đầu ra là một loạt ảnh tương ứng với các bộ lọc đã được sử dụng để thực hiện phép
tích chập. Các trọng số của các bộ lọc này được khởi tạo ngẫu nhiên trong lần đầu tiên
và sẽ được cải thiện dần xuyên suốt quá trình huấn luyện.
- Lớp kích hoạt phi tuyến ReLU:
Lớp này được xây dựng với ý nghĩa đảm bảo tính phi tuyến của mô hình huấn
luyện sau khi đã thực hiện một loạt các phép tính toán tuyến tính qua các lớp Tích chập.
Lớp Kích hoạt phi tuyến nói chung sử dụng các hàm kích hoạt phi tuyến như ReLU hoặc
sigmoid, tanh… để giới hạn phạm vi biên độ cho phép của giá trị đầu ra. Trong số các
hàm kích hoạt này, hàm ReLU được chọn do cài đặt đơn giản, tốc độ xử lý nhanh mà
vẫn đảm bảo được tính toán hiệu quả. Cụ thể, phép tính toán của hàm ReLU chỉ đơn
giản là chuyển tất cả các giá trị âm thành giá trị 0.
𝑓(𝑥) = 𝑚𝑎𝑥(0, 𝑥) (2)
Thông thường, lớp ReLU được áp dụng ngay phía sau lớp Tích chập, với đầu ra
là một ảnh mới có kích thước giống với ảnh đầu vào, các giá trị điểm ảnh cũng hoàn
toàn tương tự trừ các giá trị âm đã bị loại bỏ.
- Lớp lấy mẫu:
Một thành phần tính toán chính khác trong mạng CNN là lấy mẫu (Pooling),
thường được đặt sau lớp Tích chập và lớp ReLU để làm giảm kích thước kích thước ảnh
đầu ra trong khi vẫn giữ được các thông tin quan trọng của ảnh đầu vào. Việc giảm kích
thước dữ liệu có tác dụng làm giảm được số lượng tham số cũng như tăng hiệu quả tính
toán. Lớp lấy mẫu cũng sử dụng một cửa sổ trượt để quét toàn bộ các vùng trong ảnh
tương tự như lớp Tích chập, và thực hiện phép lấy mẫu thay vì phép tích chập – tức là
ta sẽ chọn lưu lại một giá trị duy nhất đại diện cho toàn bộ thông tin của vùng ảnh đó.
22
Hình 2.4 thể hiện các phương thức lấy mẫu thường được sử dụng nhất hiện nay, đó là
Max Pooling (lấy giá trị điểm ảnh lớn nhất) và Avarage Pooling (lấy giá trị trung bình
của các điểm ảnh trong vùng ảnh cục bộ) [14].
Hình 2.4: Phương thức Avarage Pooling và Max Pooling
Như vậy, với mỗi ảnh đầu vào được đưa qua lấy mẫu ta thu được một ảnh đầu ra
tương ứng, có kích thước giảm xuống đáng kể nhưng vẫn giữ được các đặc trưng cần
thiết cho quá trình tính toán sau này.
- Lớp kết nối đầy đủ:
Lớp kết nối đầy đủ này được thiết kế hoàn toàn tương tự như trong mạng nơ-ron
truyền thống, tức là tất cả các điểm ảnh được kết nối đầy đủ với node trong lớp tiếp theo.
So với mạng nơ-ron truyền thống, các ảnh đầu vào của lớp này đã có kích thước được
giảm bớt rất nhiều, đồng thời vẫn đảm bảo các thông tin quan trọng cho việc nhận dạng.
Do vậy, việc tính toán nhận dạng sử dụng mô hình truyền thẳng đã không còn phức tạp
và tốn nhiều thời gian như trong mạng nơ ron truyền thống.
2.2. Học chuyển giao và tinh chỉnh mô hình huấn luyện
Trong thời gian đầu khi các phương pháp Học sâu mới đạt được nhiều thành tựu
và được áp dụng phổ biến, trong cộng đồng Học sâu trên thế giới đã tồn tại một quan
niệm không chính xác nhưng hết sức phổ biến: nếu bạn không có lượng dữ liệu huấn
luyện khổng lồ, bạn không thể tạo ra một mô hình Học sâu hiệu quả. Nói chính xác hơn,
đây đã từng là một quan niệm đúng và hợp lý, bởi mỗi mô hình huấn luyện này đều sử
dụng rất nhiều các lớp ẩn, với hàng nghìn nơ-ron và hàng triệu tham số. Đồng thời quá
trình huấn luyện mô hình cũng được gắn liền với các kiến thức riêng và bài toán phân
tích, nhận dạng… cụ thể, và nếu cố gắng áp dụng mô hình đó với một CSDL khác, chắc
chắn độ chính xác sẽ bị suy giảm đáng kể. Tuy nhiên, trong thời gian sau đó, một phương
pháp học mới được đưa ra và đã giải quyết được điểm hạn chế này của Học sâu, đó
chính là Học chuyển giao – Transfer Learning [15].
23
Học chuyển giao là quá trình khai thác, tái sử dụng các tri thức đã được học tập
bởi một mô hình huấn luyện trước đó vào giải quyết một bài toán mới mà không phải
xây dựng một mô hình huấn luyện khác từ đầu. Đây được coi là một trong những kỹ
thuật được xếp mức độ quan trọng hàng đầu trong cộng đồng khoa học dữ liệu, nhằm
hướng tới mục đích chung là phát minh ra một thuật toán học tự động mạnh mẽ.
Hiện nay, phương pháp phổ biến thường được áp dụng khi huấn luyện mô hình
với một bộ CSDL tương đối nhỏ là sử dụng Học chuyển giao để tận dụng một mạng
CNN đã được huấn luyện trước đó với bộ dữ liệu rất lớn như ImageNet (1,2 triệu ảnh
với 1.000 nhãn đánh dấu). Phương pháp này sử dụng mạng CNN theo hai cách chính
như sau:
- Mạng CNN này sẽ chỉ được sử dụng như một bộ trích chọn đặc trưng cho bộ
CSDL huấn luyện mới, bằng cách thay thế các lớp Fully-connected ở cuối
mạng và giữ cố định các tham số cho toàn bộ các lớp còn lại của mạng.
- Không chỉ thay thế và huấn luyện lại bộ nhận dạng cuối cùng của mạng CNN,
mà đồng thời ta thực hiện tối ưu, tinh chỉnh (Fine-tune) một vài hoặc tất cả
các lớp trong mạng.
Ý tưởng của việc tái sử dụng mạng CNN là dựa trên nhận định rằng các đặc trưng
được học trong các lớp đầu của mạng là các đặc trưng chung nhất, hữu dụng với phần
lớn bài toán, ví dụ: đặc trưng về cạnh, hình khối hay các khối màu… Các lớp sau đó của
mạng CNN sẽ nâng dần độ cụ thể, riêng biệt của các chi tiết phục vụ cho bài toán nhận
dạng cần giải quyết. Do đó, ta hoàn toàn có thể tái sử dụng lại các lớp đầu của mạng
CNN mà không phải mất nhiều thời gian và công sức huấn luyện từ đầu.
Có khá nhiều bài báo, công trình khoa học được đưa ra để chứng minh cho khả
năng chuyển giao của những đặc trưng trong mạng Học sâu [16]. Cụ thể, để tỉm ra mức
độ “chung” của các đặc trưng theo từng lớp của mạng AlexNet, các tác giả của bài báo
đã thực hiện một phương pháp so sánh tốn nhiều thời gian và công sức để thu được kết
quả cụ thể, rõ ràng:
1) Chia đôi bộ dữ liệu của ImageNet, mỗi nhóm có khoảng 645.000 ảnh.
2) Huấn luyện lại mạng AlexNet trên từng nhóm để được 2 mạng cơ sở, gọi là
mạng baseA và baseB.
3) Copy lần lượt n lớp đầu tiên (n = 1, 2...7) của từng mạng baseA, baseB, đồng
thời cố định hoặc cho phép tinh chỉnh các tham số của các lớp này để được
các mạng huấn luyện khác nhau (AnB, AnB+).
4) Thực hiện huấn luyện trên từng mạng và so sánh kết quả để thể hiện khả năng
chuyển giao của các đặc trưng qua từng lớp của mạng AlexNet.
Từ kết quả thực nghiệm trong hình dưới, kết luận quan trọng được rút ra: sự
chuyển giao các đặc trưng có thể cải thiện hiệu năng của mô hình, tuy nhiên chất lượng
24
chuyển giao này chịu ảnh hưởng bởi hai yếu tố chính là sự thích nghi lẫn nhau dễ bị phá
vỡ tại các lớp nằm ở giữa mạng và sự riêng biệt hóa tại các lớp cấp cao của mạng.
Hình 2.5: Kết quả thực nghiệm theo số lượng lớp mạng CNN được chuyển giao [16]
Một bài báo khoa học khác cũng đã chứng minh được hiệu quả của Học chuyển
giao khi giải quyết một bài toán mới bằng cách tinh chỉnh một mô hình CNN đã được
huấn luyện trước đó với bộ cơ sở dữ liệu ảnh ImageNet. Bài toán được đưa ra là nhận
dạng 102 loại hoa khác nhau sử dụng bộ dữ liệu ảnh hoa Oxford có kích thước nhỏ
(~6.000 ảnh huấn luyện và ~1.000 ảnh test), nhóm nghiên cứu đã tùy chỉnh các lớp
Fully-connected của mạng AlexNet để số lượng đầu ra là 102, tương ứng với 102 loại
hoa cần nhận dạng [17]. Bằng cách giảm tỉ lệ học toàn cục và tăng tỉ lệ học cục bộ tại
các lớp Fully-connected so với các lớp khác, mạng AlexNet (được trình bày trong mục
25
2.3) đã được tinh chỉnh thành công với độ chính xác cao: tỉ lệ lỗi chỉ còn 7% trên bộ test
1.000 ảnh.
Hình 2.6: Kết quả huấn luyện sau khi tinh chỉnh mạng AlexNet [17]
2.3. Mạng huấn luyện AlexNet
Mạng huấn luyện AlexNet là công trình đầu tiên phổ biến mạng CNN trong lĩnh
vực Thị giác máy tính, cũng là một trong những mạng huấn luyện CNN nổi tiếng nhất
nhờ thành tích ấn tượng mà nó đạt được trong cuộc thi nhận dạng ảnh quy mô lớn tổ
chức vào năm 2012. Cuộc thi này có tên chính thức là ILSVRC – ImageNet Large Scale
Visual Recognition Challenge [18], được ImageNet - một hãng CSDL ảnh - tổ chức
thường niên và được coi là cuộc thi Olympics quy mô thế giới trong lĩnh vực Thị giác
máy tính. Mục đích của cuộc thi là nhằm thử nghiệm các công nghệ mới giúp cho máy
tính có thể hiểu, phân tích, phát hiện và nhận dạng các vật thể trong một bức ảnh.
Cụ thể hơn, nhiệm vụ chính của cuộc thi năm 2012 đặt ra mà các đội tham gia
phải giải quyết là bài toán nhận dạng, với bộ dữ liệu huấn luyện lên đến 1,2 triệu ảnh
được gán nhãn cho 1.000 hạng mục khác nhau. Nhóm SuperVision, gồm các thành viên
Alex Krizhevsky, Ilya Sutskever và Geoff Hinton, cùng với mạng AlexNet của họ đã
đạt được kết quả đáng kinh ngạc là chiến thắng áp đảo nhóm đứng thứ hai với độ chính
xác chênh lệch đến hơn 10% (15,31% và 26,17%) [19]. Điều đặc biệt là mạng huấn
luyện này chỉ nhận dữ liệu đầu vào là các giá trị điểm ảnh thô và không hề áp dụng bất
kỳ phương pháp trích chọn đặc trưng nào, trong khi mọi hệ thống nhận dạng thị giác
truyền thống đều phải gồm nhiều giai đoạn trích chọn đặc trưng hết sức tỉ mỉ, cẩn thận,
thậm chí phải áp dụng nhiều mẹo để cải thiện chất lượng nhận dạng. Thiết kế kiến trúc
mạng huấn luyện gần như một hộp đen, cộng với khả năng tự học các đặc trưng thông
qua các lớp ẩn, đã khiến CNN nói riêng và Học sâu nói chung trở thành giải pháp mạnh
mẽ nhất cho bài toán nhận dạng và phân loại vật thể cho tới bây giờ.
Từ năm 2012, mạng CNN trở thành cái tên gắn liền với cuộc thi và đã có rất nhiều
mạng CNN nổi bật khác xuất hiện trong những năm sau đó VGG, GoogleNet hay
Microsoft ResNet… Các mạng CNN càng ngày càng đạt độ chính xác cao hơn, tuy nhiên
chúng có độ phức tạp và độ sâu lớn hơn rất nhiều, ví dụ mạng CNN có thể coi là tốt nhất
hiện nay – ResNet – đã sử dụng đến 152 lớp tính toán. Sự phức tạp này yêu cầu khả
năng tính toán lớn, thời gian huấn luyện lâu, và gây nhiều khó khăn trong việc cài đặt
triển khai hệ thống, do đó mạng AlexNet đã được chọn làm cơ sở phát triển phiên bản
26
thử nghiệm ban đầu và việc cài đặt các mạng huấn luyện khác nhằm nâng cao chất lượng
nhận dạng của hệ thống sẽ được thử nghiệm trong tương lai.
Trong phần tiếp theo ta sẽ tìm hiểu kỹ hơn về kiến trúc tổng thể của mạng AlexNet
cũng như cách thức ứng dụng nó vào bài toán nhận dạng hoa quả sử dụng phương pháp
Học chuyển giao.
2.3.1. Kiến trúc mạng AlexNet
Nhóm của Alex Krizhevsky đã công bố một bài báo với tiêu đề “ImageNet
Classification with Deep Convolutional Networks” [20], đưa ra mô tả cụ thể về kiến trúc
của mạng AlexNet cũng như cách thức cài đặt và sử dụng các lớp trong mạng để huấn
luyện mô hình với bộ dữ liệu ảnh của ImageNet. Mạng có cấu trúc tương đối đơn giản
nếu so với các mạng CNN hiện đại gần đây, bao gồm 5 lớp Tích chập và 3 lớp kết nối
đầy đủ với các lớp giữa là các lớp lấy mẫu và ReLU, được huấn luyện song song trên
hai card đồ họa GPU.
Hình 2.7: Kiến trúc mạng AlexNet [20]
Hình 2.7 thể hiện rõ kiến trúc tổng thể của mạng AlexNet, trong đó:
- Lớp 1 (Tích chập):
o Đầu vào: Ảnh với kích thước 224 x 224 x 3 (3 là con số tương ứng với
3 màu đỏ, xanh lục, xanh lam trong hệ màu RGB thông thường)
o Số bộ lọc: 96
o Kích thước bộ lọc: 11 x 11 x 3
o Bước trượt (Stride): 4
o Đầu ra: (224/4) x (224/4) x 96 = 55 x 55 x 96, chia đều cho hai GPU
- Lớp chuyển tiếp sang lớp 2 (Lấy mẫu tối đa):
o Đầu vào: 55 x 55 x 96
o Đầu ra: (55/2) x (55/2) x 96 = 27 x 27 x 96
- Lớp 2 (Tích chập):
o Đầu vào: 27 x 27 x 96
o Số bộ lọc: 256
27
o Kích thước bộ lọc: 5 x 5 x 48
o Đầu ra: 27 x 27 x 256, chia đều cho hai GPU
- Lớp 3, 4, 5: Tương tự như với lớp 1 và lớp 2 với các kích thước bộ lọc lần
lượt là 3 x 3 x 256, 3 x 3 x 384 và 3 x 3 x 384. Toàn bộ các lớp tính toán này
đều được chia đều cho hai GPU để tăng tốc độ xử lý. Đầu ra cuối cùng qua
lớp Tích chập thứ 5 là dữ liệu với kích thước 13 x 13 x 128, dữ liệu này sau
khi đi qua một lớp Lẫy mẫu tối đa cuối cùng sẽ được dùng làm đầu vào cho
các lớp sau đó là các lớp Kết nối đầy đủ.
- Lớp 6 (Kết nối đầy đủ):
o Đầu vào: 6 x 6 x 256
o Số nơ-ron: 4096
- Lớp 7 (Kết nối đầy đủ): Tương tự lớp 6.
- Lớp 8 (Kết nối đầy đủ): Lớp cuối cùng trong mạng AlexNet này có 1000 nơ-
ron, tương ứng với 1000 lớp khác nhau mà bộ huấn luyện cần nhận dạng.
Ta có thể nhìn rõ hơn kiến trúc mạng AlexNet ở dạng phẳng như trong Hình 2.8:
Hình 2.8: Kiến trúc mạng AlexNet ở dạng phẳng
2.3.2. Ứng dụng mạng AlexNet vào bài toán Nhận dạng, phân loại hoa quả
Từ kết luận rút ra trong phần 2.2 về hiệu quả của Học chuyển giao với các mô
hình CNN trong việc giải quyết trường hợp bài toán mới với kích thước bộ cơ sở dữ liệu
tương đối nhỏ, luận văn đề xuất phương hướng giải quyết bài toán nhận dạng hoa quả
như sau:
1) Cài đặt mạng AlexNet với một mô hình đã được huấn luyện trước với bộ ảnh
của ImageNet.
2) Xây dựng bộ CSDL ảnh huấn luyện cho 40 loại hoa quả với ảnh được chọn
lựa theo tiêu chuẩn về kích thước, màu sắc cũng như độ rõ nét, đồng thời được
gán nhãn cẩn thận.
3) Tinh chỉnh lại mô hình để giải quyết bài toán nhận dạng 40 loại hoa quả. Dựa
theo kết luận được chứng minh bởi các bài báo khoa học đã trình bày trong
phần trước, dù kích thước CSDL ảnh không quá lớn độ chính xác của mô hình
28
nhận dạng vẫn được đảm bảo nhờ khả năng trích chọn đặc trưng tự động của
mạng AlexNet.
29
Chương 3. Hệ thống phần mềm nhận dạng hoa quả
3.1. Tổng quan hệ thống
Hệ thống phần mềm Nhận dạng hoa quả – Fruit Recognition System – được thiết
kế theo kiến trúc Client/Server năm tầng (xem Hình 3.1), trong đó:
- Tầng thứ nhất là tầng giao diện người dùng, cụ thể là ứng dụng client
trên điện thoại thông minh, quản lý tương tác người dùng với ứng dụng như chụp ảnh,
chọn ảnh gửi lên server… và hiển thị kết quả nhận dạng do server gửi về.
- Tầng thứ hai là tầng server quản lý cấu hình hệ thống, ví dụ cấu hình giao
thức gửi/nhận dữ liệu với client, cụ thể giao thức được sử dụng trong hệ thống là giao
thức HTTP.
- Tầng thứ ba là tầng server thực hiện logic xử lý các yêu cầu từ client, như
quản lý và phân phối các luồng xử lý độc lập, đảm bảo hiệu năng và chất lượng tính toán
nhận dạng cho nhiều client trong cùng một thời điểm.
- Tầng thứ tư là tầng đảm nhiệm xây dựng, tinh chỉnh và quản lý các phiên
bản mô hình nhận dạng cho hệ thống, với bộ ảnh huấn luyện được lấy từ tầng quản lý
dữ liệu bên dưới.
- Tầng cuối cùng là tầng quản lý dữ liệu, bao gồm CSDL ảnh phục vụ cho
việc huấn luyện mô hình, CSDL ảnh đã xử lý từ các client nhằm mục đích bổ sung sự
đa dạng của CSDL ảnh và cải thiện độ chính xác của mô hình nhận dạng. Các bộ ảnh
trên được lưu tách biệt để thuận tiện cho việc quản lý và đánh giá độ chính xác của các
phiên bản mô hình huấn luyện cũng như mức độ ảnh hưởng của bộ ảnh huấn luyện lên
chất lượng mô hình.
30
Hình 3.1: Kiến trúc Client-Server n tầng
31
Luồng hoạt động chính của hệ thống được thể hiện trong Hình 3.2, trong đó các
bước thực hiện của server và client từ lúc khởi động ban đầu tới lúc kết thúc như sau:
- Client (ứng dụng trên điện thoại thông minh):
1) Người dùng khởi động ứng dụng.
2) Người dùng thực hiện chụp ảnh hoa quả bằng camera của điện thoại,
hoặc chọn ảnh đã chụp trước đó được lưu trong Thư viện ảnh.
3) Ảnh chụp được mã hóa, nén lại và gửi tới máy chủ.
4) Ứng dụng đợi nhận kết quả nhận dạng từ máy chủ gửi về và hiển thị
cho người dùng.
- Chương trình Server:
1) Chương trình được khởi động và nạp các thư viện cần thiết.
2) Chương trình nạp mô hình nhận dạng đã được huấn luyện trước đó.
3) Giao thức gửi, nhận dữ liệu giữa ứng dụng phía client và chương trình
server được cấu hình.
4) Một loại các luồng xử lý được khởi tạo, đặt trạng thái ban đầu là trạng
thái rỗi.
5) Khi có ứng dụng client kết nối tới, chương trình kiểm tra trong danh
sách các luồng xử lý và chọn một luồng đang ở trạng thái rỗi để nhận
và tính toán dữ liệu do client gửi tới.
6) Trong luồng xử lý:
Bắt đầu quá trình tính toán nhận dạng, cờ trạng thái là “bận”.
Thực hiện giải nén dữ liệu thành dữ liệu ảnh gốc.
Sử dụng mô hình đã nạp để nhận dạng loại hoa quả.
Trả kết quả nhận dạng về cho ứng dụng client.
Kết thúc quá trình tính toán.
7) Khi luồng xử lý đã hoàn thành quá trình tính toán nhận dạng, chương
trình giải phóng luồng xử lý bằng cách cập nhật lại trạng thái hiện tại
của luồng.
32
Hình 3.2: Luồng hoạt động chính của hệ thống
3.2. Mô đun quản lý cơ sở dữ liệu
Bộ CSDL ảnh phục vụ cho huấn luyện và tinh chỉnh các mô hình nhận dạng trong
các thuật toán Học sâu nói riêng và Học máy nói chung là thành phần vô cùng quan
trọng, quyết định chủ yếu đến độ chính xác mà mô hình đạt được. Do vậy, chúng cần
được lưu trữ và quản lý một cách khoa học. Trong hệ thống lưu trữ, bộ CSDL ảnh huấn
luyện được chia thành các thư mục riêng biệt:
33
- Thư mục ảnh gốc: Là bộ ảnh ban đầu được sử dụng để xây dựng phiên
bản mô hình nhận dạng đầu tiên, gồm các thư mục con là ảnh gốc, ảnh lọc nền, ảnh
chiếu nghiêng, ảnh thêm nhiễu và ảnh ghép nền.
- Thư mực ảnh thực tế chưa duyệt: Là các ảnh chụp thực tế bởi ứng dụng,
do điện thoại thông minh của người dùng gửi lên để thực hiện nhận dạng, được chia
thành các thư mục con tương ứng với 40 loại hoa quả được huấn luyện. Các ảnh này
chưa được kiểm duyệt và chưa được sử dụng để tăng cường cho CSDL ảnh huấn luyện.
- Thư mục ảnh thực tế đã duyệt: Bao gồm các ảnh thực tế đã được kiểm
duyệt đảm bảo chất lượng tốt và loại hoa quả trong ảnh là hợp lệ, những ảnh này đã
được gán nhãn đúng, chuyển tới các thư mục con tương ứng và đã được sử dụng để huấn
luyện tăng cường cho mô hình nhận dạng ban đầu. Các thư mục ảnh này đều được đặt
trong các thư mục cha được đánh số ứng với phiên bản mô hình được huấn luyện bổ
sung, nhằm đảm bảo không có sự nhầm lẫn giữa các phiên bản với nhau.
3.3. Bộ huấn luyện mô hình
Nằm ở tầng thứ tư trong kiến trúc n tầng của hệ thống, bộ huấn luyện mô hình là
thành phần có vai trò quan trọng hàng đầu, chịu toàn bộ trách nhiệm về các mô hình
nhận dạng từ giai đoạn khởi tạo đến tinh chỉnh và hoàn thiện, cũng như quản lý và đánh
giá độ chính xác các phiên bản khác nhau của mô hình. Bộ huấn luyện được cài đặt và
triển khai thành một mô đun hoàn toàn tách biệt với các thành phần còn lại của server,
giúp cho việc nâng cấp hay thay thế có thể thực hiện độc lập mà không gây ảnh hưởng
đến hoạt động thông thường của server. Các ca sử dụng chính của mô đun bao gồm: Cấu
hình CSDL ảnh để huấn luyện, Xác định các tham số cho mô hình huấn luyện, Thực
hiện huấn luyện và Xuất ra mô hình đã huấn luyện xong theo phiên bản tương ứng với
bộ CSDL ảnh đã sử dụng (xem Hình 3.3).
34
Hình 3.3: Biểu đồ ca sử dụng của Bộ huấn luyện mô hình
Đặc tả biểu đồ ca sử dụng:
Cấu hình CSDL ảnh:
- Mục đích: Cấu hình các thông tin cơ bản về CSDL ảnh cho bộ huấn luyện mô
hình, như: đường dẫn thư mục lưu ảnh, phiên bản huấn luyện hiện tại, số
lượng ảnh huấn luyện và ảnh test…
- Tác nhân, Mô tả chung:
o Tác nhân: Người quản trị hệ thống, hoặc người quản trị mô đun huấn
luyện mô hình nhận dạng.
o Mô tả chung: Người quản trị khi muốn bắt đầu huấn luyện mới, hoặc
huấn luyện bổ sung cho mô hình nhận dạng thì trước hết cần cấu hình
thông tin bộ CSDL ảnh phục vụ cho huấn luyện.
- Luồng sự kiện chính: Người quản trị cập nhật thông tin về bộ CSDL ảnh trong
file cấu hình cho bộ huấn luyện, tạo mới các file ghi lại đường dẫn đến ảnh
huấn luyện, ảnh test và nhãn đánh dấu tương ứng.
- Luồng thay thế: Không.
- Các yêu cầu cụ thể: Thông tin bộ CSDL ảnh phải chính xác, đường dẫn đến
vị trí ảnh huấn luyện và ảnh test phải hợp lệ.
- Điều kiện trước: Bộ CSDL ảnh huấn luyện phải có sẵn trong hệ thống lưu trữ,
các ảnh đã được duyệt và đặt đúng thư mục tương ứng.
- Điều kiện sau: Không.
Tính toán tham số huấn luyện:
35
- Mục đích: Tính toán các thông số cần thiết từ bộ CSDL ảnh và xác định các
tham số nhằm định nghĩa mô hình và cách thức huấn luyện mô hình.
- Tác nhân, Mô tả chung:
o Tác nhân: Người quản trị hệ thống, hoặc người quản trị mô đun huấn
luyện mô hình nhận dạng.
o Mô tả chung: Người quản trị khi muốn bắt đầu thực hành huấn luyện
mới, hoặc huấn luyện bổ sung cho mô hình nhận dạng thì cần phải xác
định các tham số định nghĩa quá trình huấn luyện cũng như các giá trị
cần thiết liên quan đến bộ CSDL ảnh.
- Luồng sự kiện chính: Người quản trị gọi file thực thi các hàm tính toán giá trị
liên quan đến bộ CSDL ảnh đầu vào, sửa đổi cập nhật tham số trong các file
định nghĩa huấn luyện mô hình.
- Luồng thay thế: File thực thi tính toán thông báo lỗi khi không thể tính toán
thành công trên bộ CSDL ảnh đã cấu hình.
- Các yêu cầu cụ thể: Đầu ra của file thực thi tính toán phải là các file dữ liệu
theo định dạng chuẩn, các tham số định nghĩa mô hình phải phù hợp với mục
đích huấn luyện.
- Điều kiện trước: Các thông tin liên quan đến bộ CSDL ảnh phải được cấu
hình hợp lệ trước đó.
- Điều kiện sau: Thông báo tính toán thành công giá trị cần thiết từ bộ CSDL
ảnh.
Thực hiện huấn luyện:
- Mục đích: Huấn luyện, tinh chỉnh mô hình nhận dạng cho hệ thống sử dụng
bộ CSDL ảnh trên nền một mô hình đã huấn luyện trước. Ảnh được sử dụng
để huấn luyện có thể là các ảnh ban đầu, gồm ảnh gốc và ảnh sinh tự động,
hoặc là các ảnh được thu thập, lưu trữ trong quá trình người dùng gửi yêu cầu
nhận dạng lên server.
- Tác nhân, Mô tả chung:
o Tác nhân: Người quản trị hệ thống, hoặc người quản trị mô đun huấn
luyện mô hình nhận dạng.
o Mô tả chung: Người quản trị khi đã hoàn thành việc thu thập ảnh, cấu
hình các thông tin liên quan đến CSDL ảnh cũng như tính toán, xác
định các tham số cần thiết thì có thể bắt đầu thực hiện huấn luyện mô
hình nhận dạng cho hệ thống.
- Luồng sự kiện chính: Người quản trị gọi file thực thi các câu lệnh cần thiết để
bắt đầu huấn luyện mô hình. Các câu lệnh được chia thành hai loại: Câu lệnh
bắt đầu một phiên huấn luyện mới và Câu lệnh tiếp tục phiên huấn luyện bị
tạm dừng trước đó.
36
- Luồng thay thế: File thực thi thông báo lỗi khi không thể thực hiện huấn luyện
với các tham số đầu vào đã cấu hình, gồm tham số về file định nghĩa mô hình,
mô hình được huấn luyện trước, lựa chọn sử dụng card đồ họa GPU, hoặc file
trạng thái huấn luyện tại thời điểm tạm dừng (trong trường hợp tiếp tục phiên
huấn luyện chưa hoàn thành)…
- Các yêu cầu cụ thể: Đầu ra của quá trình huấn luyện là một mô hình nhận
dạng và các file ghi lại nhật ký huấn luyện, gồm các thông tin, cảnh báo hoặc
lỗi xảy ra trong quá trình huấn luyện để người quản trị có thể truy vết nếu cần
thiết. Ngoài ra, thông tin về phiên bản của mô hình nhận dạng được huấn
luyện cũng được lưu lại.
- Điều kiện trước: Thông tin cấu hình CSDL ảnh và tham số định nghĩa mô
hình huấn luyện phải chính xác. Mô hình được huấn luyện trước và file trạng
thái huấn luyện tại thời điểm tạm dừng phải hợp lệ.
- Điều kiện sau: Thông báo huấn luyện thành công mô hình, với một số thông
tin cơ bản của phiên huấn luyện như phiên bản hiện tại của mô hình và độ
chính xác đạt được.
Xuất mô hình đã huấn luyện:
- Mục đích: Xuất ra mô hình đã được huấn luyện thành công, làm đầu vào cho
mô đun tính toán nhận dạng của server.
- Tác nhân, Mô tả chung:
o Tác nhân: Người quản trị hệ thống, hoặc người quản trị mô đun huấn
luyện mô hình nhận dạng.
o Mô tả chung: Sau khi người quản trị đã hoàn thành việc huấn luyện
mô hình, để mô hình mới có thể được sử dụng vào quá trình tính toán
nhận dạng thực tế người quản trị phải xuất mô hình ra và thay thế cho
mô hình cũ.
- Luồng sự kiện chính: Người quản trị gọi file thực thi câu lệnh xuất mô hình
đã huấn luyện ra thư mục lưu trữ (đã cài đặt trong file cấu hình chung của hệ
thống). Mô hình cũ đang được sử dụng được chuyển sang thư mục lưu các
phiên bản không còn sử dụng.
- Luồng thay thế: File thực thi thông báo lỗi trong quá trình xuất mô hình đã
huấn luyện và chuyển mô hình phiên bản cũ sang thư mục để lưu trữ.
- Các yêu cầu cụ thể: Không.
- Điều kiện trước: Mô hình đã được huấn luyện phải là mô hình hoàn thiện. Các
thông tin cấu hình về thư mục mô hình hiện tại và thư mục lưu trữ các mô
hình với phiên bản thấp hơn phải hợp lệ.
- Điều kiện sau: Thông báo xuất mô hình thành công.
Về thành phần cấu tạo của mô đun Bộ huấn luyện mô hình, ta có hai thành phần
chính: chương trình huấn luyện (sử dụng phương pháp Học sâu, cụ thể là một mạng nơ-
37
ron tích chập CNN, và framework Caffe trên Windows) và thành phần quản lý phiên
bản mô hình nhận dạng. Ta sẽ đi vào mô tả chi tiết các thành phần này trong các mục
tiếp theo.
3.3.1. Môi trường huấn luyện
Môi trường được sử dụng để huấn luyện mô hình nhận dạng hoa quả là Windows
10, ngôn ngữ Python phiên bản 2.7.12 với framework chuyên dùng cho Học sâu là Caffe.
Caffe [21] là một framework mã nguồn mở cho Học sâu, phát triển vởi Berkeley
Vision and Learning Center (BVLC), được viết bởi ngôn ngữ C++, CUDA C++ cùng
với các bộ gói wrapper cho các ngôn ngữ khác như Python hay Matlab. Điểm mạnh của
framework này là cho phép người dùng tùy chọn huấn luyện thuật toán Học sâu trên
CPU hay trên card đồ họa GPU, dễ dàng thực hiện quá trình huấn luyện trên bộ dữ liệu
ảnh cá nhân chỉ với các câu lệnh đơn giản. Bên cạnh đó, Caffe cũng cho phép người
dùng tái sử dụng lại các mô hình đã được huấn luyện sẵn và được chia sẻ bởi cộng đồng
nghiên cứu trên khắp thế giới.
Hình 3.4: Các framework Học sâu nổi tiếng trên thế giới
Trong các framework Học sâu phổ biến nhất, ngoài Caffe người dùng còn có các
lựa chọn khác như Theano, Torch7 hoặc TensorFlow... (xem Hình 3.4). Mỗi framework
đều hỗ trợ rất mạnh mẽ trong việc huấn luyện các mô hình nhận dạng trong Học sâu,
cũng như có các điểm mạnh riêng phù hợp với các mục đích sử dụng khác nhau. Theano
[22] là một trong các framework Học sâu ra đời sớm nhất, là giải pháp tốt cho những
người dùng muốn lập trình lại toàn bộ thuật toán, hoặc tinh chỉnh riêng một vài thành
phần tối ưu tính toán để giải quyết cho các vấn đề riêng biệt. Theano đặc biệt phù hợp
với các bài toán hoặc các hệ thống không có sự cài đặt, triển khai mạng huấn luyện theo
một tiêu chuẩn cụ thể nào. Với framework Torch7 [23], đây cũng là một framework ở
mức cấp thấp (low-level) gần giống với Theano nhưng có cung cấp thêm một số thuật
toán và logic cơ bản giúp người dùng giảm bớt việc lập trình toàn bộ thuật toán từ đầu.
Tuy có khá nhiều dự án mã nguồn mở sử dụng Torch7, đặc biệt là các dự án từ Facebook
38
AI, và ngôn ngữ Lua của Torch7 cũng là ngôn ngữ lập trình phổ biến nhưng người dùng
gặp khá nhiều khó khăn trong việc tìm các tài liệu hướng dẫn hay tham chiếu. Đây cũng
là điểm hạn chế lớn nhất của framework này. Một framework Học sâu phổ biến khác
được tạo ra bởi Google để thay thế cho Theano là TensorFlow (TF) [24], TF không phải
mã nguồn mở hoàn toàn, cũng như không đơn thuần chỉ phục vụ cho Học sâu mà còn
hỗ trợ các công cụ tính toán cho học tăng cường (Reinforcement Learning) và khá nhiều
thuật toán khác. Trong nhiều bài báo về đánh giá hiệu năng của các framework Học sâu
phổ biến, TF thường đạt kết quả không cao trong phần lớn các bài test. Tuy vậy, TF có
ưu điểm mạnh về số lượng công cụ bổ trợ, đặc biệt là cho việc gỡ lỗi (debug), và sự đảm
bảo hỗ trợ liên tục từ Google.
Sau quá trình tìm hiểu và so sánh các framework phổ biến, tôi đã quyết định chọn
Caffe làm công cụ cài đặt triển khai ứng dụng bởi một số ưu điểm nổi trội của nó đối
với bài toán nhận dạng ảnh: Caffe là framework rất mạnh về xử lý ảnh, cho phép người
dùng dễ dàng tinh chỉnh mô hình mạng đã được huấn luyện trước cũng như thực hiện
các bước huấn luyện mà không cần quá trình lập trình phức tạp.
3.3.2. Cấu hình mạng huấn luyện AlexNet
Các mô hình huấn luyện và các phép tinh chỉnh của mạng AlexNet nói riêng và
mạng CNN nói chung đều được framework Caffe thể hiện bằng cấu trúc văn bản thuần,
nhằm tạo ra sự minh bạch rõ ràng khi định nghĩa các phép biến đổi ảnh hay các lớp trong
mô hình và sự dễ dàng khi triển khai hoặc chuyển giao một mô hình huấn luyện. Ta có
thể tham khảo một vài ví dụ về cách thức định nghĩa một lớp trong mạng huấn luyện
CNN như lớp dữ liệu đầu vào hay lớp tích chập Tích chập như trong Hình 3.5:
39
Hình 3.5: Cách thức framework Caffe định nghĩa một lớp trong mạng CNN
Các thông số của từng lớp trong mạng huấn luyện được định nghĩa rõ ràng trong
file cấu hình, để giúp framework thực hiện việc huấn luyện mô hình một cách chính xác.
Các lớp này yêu cầu người huấn luyện tùy chỉnh khá nhiều thông số theo từng bài toán
cụ thể cần giải quyết, đặc biệt khi phải huấn luyện mô hình từ đầu. Tuy nhiên đối với
trường hợp này, việc tinh chỉnh mô hình đã được huấn luyện trước chỉ cần ta quan tâm
tới các tham số chính như sau:
- Thông tin ảnh đầu vào: Thông tin này được định nghĩa trong lớp “data”, giúp
framework có thể thực hiện tốt các phép tiền xử lý cần thiết, cũng như điều
chỉnh lại kích cỡ ảnh đầu vào cho phù hợp với các lớp tính toán tích chập ở
phía sau. Các phép tiền xử lý thường được sử dụng là các phép cắt ảnh, đối
xứng gương và thay đổi tỉ lệ, là các cách đơn giản để giúp tăng thêm cơ sở
ảnh trước khi thực hiện huấn luyện.
- Thông số tỉ lệ học: Tỉ lệ học được quyết định tại từng lớp, đối với các trường
hợp huấn luyện từ đầu thì hầu hết tỉ lệ học tại các lớp là như nhau, với giá trị
vừa phải để giúp cho các đặc trưng theo từng lớp được tính toán chuẩn xác.
Với trường hợp tinh chỉnh mô hình thì sự khác biệt nằm ở việc các giá trị này
được điều chỉnh về rất thấp, nhằm đảm bảo việc tính toán các đặc trưng không
bị ảnh hưởng bởi bài toán mới. Đồng thời, tỉ lệ học cũng được tăng cường tại
các lớp Kết nối đầy đủ tại phía sau cùng của mạng, từ đó việc huấn luyện cho
mô hình mới sẽ nhanh chóng đạt được kết quả.
- Số lượng lớp nhận dạng đầu ra: Số lượng kết quả đầu ra cần tính toán sẽ được
thay đổi tương ứng với số lượng lớp cần nhận dạng, con số này được định
nghĩa trong lớp cuối cùng của mạng – lớp Kết nối đầy đủ. Cụ thể trong trường
hợp nhận dạng hoa quả ta sẽ đặt thông số này là 40.
3.3.3. Một số hình ảnh về đặc trưng do mạng AlexNet tính toán
Như đã trình bày trong chương trước, các mạng CNN nói chung đều có thể được
sử dụng như một bộ trích chọn đặc trưng làm đầu vào cho các bài toán phân loại, nhận
dạng khác. Các lớp đầu tiên trong mạng huấn luyện của CNN có thể được coi là bộ bóc
40
tách các đặc trưng cơ bản, chung nhất cho mọi tác vụ nhận dạng ảnh như các đường
thẳng, đường cong hay các đốm ảnh màu… Ta có thể thấy điều này trong Hình 3.6, với
hình ảnh các đặc trưng thường gặp của lớp tích chập thứ nhất trong mạng AlexNet [25].
Hình 3.6: Các đặc trưng tiêu biểu của lớp tích chập đầu tiên [25]
Hình ảnh hóa các lớp trong mạng CNN là một trong những cách tiếp cận giúp
người nghiên cứu hiểu thêm về cách thức mạng CNN nâng cao dần mức độ trừu tượng
của kiến thức nó học được qua từng lớp trong mạng. Trong đó, phương pháp trực tiếp
nhất là hình ảnh hóa các đặc trưng trong các lớp đầu của mạng do các đặc trưng này có
khả năng chuyển giao tốt nhất. Đồng thời, độ nét và mịn của các đặc trưng cũng thể hiện
cho mức độ huấn luyện của mạng, nếu mạng chưa được huấn luyện tốt, với kích thước
CSDL ảnh lớn và thời gian huấn luyện đủ lâu, thì hình ảnh các đặc trưng sẽ bị nhiễu.
Ngoài ra ta cũng có thể hình ảnh hóa kết quả tính toán của các lớp nhân chập với
một ảnh đầu vào cụ thể để có cái nhìn rõ hơn về thông tin mạng AlexNet có được sau
các bước tính toán (xem Hình 3.7).
41
Hình 3.7: Kết quả ảnh đầu ra qua các lớp tích chập
3.4. Các mô đun phía Server
Chương trình phía server được cấu thành bởi các nhiều mô đun, đảm nhiệm các
vai trò nhiệm vụ khác nhau liên quan đến huấn luyện, quản lý mô hình nhận dạng, cấu
hình giao thức giao tiếp giữa client và server hay xử lý logic đa luồng, đảm bảo khả năng
tính toán cho nhiều yêu cầu cùng lúc… Các ca sử dụng tương ứng với các nhiệm vụ này
được thể hiện trong Hình 3.8 cùng với phần mô tả cụ thể bên dưới.
Hình 3.8: Biểu đồ ca sử dụng của Server
Đặc tả biểu đồ ca sử dụng:
42
Nạp mô hình nhận dạng:
- Mục đích: Nạp vào hệ thống mô hình nhận dạng phiên bản mới nhất được
xuất ra bởi mô đun Bộ huấn luyện mô hình, phục vụ cho việc xử lý các yêu
cầu nhận được từ ứng dụng phía client sau đó.
- Tác nhân, Mô tả chung:
o Tác nhân: Người quản trị hệ thống.
o Mô tả chung: Để hệ thống có thể thực hiện tính toán và nhận dạng hoa
quả trong ảnh do ứng dụng client gửi lên, mô hình nhận dạng cần phải
được nạp trước vào hệ thống. Việc nạp mô hình này chỉ thực hiện một
lần tại thời điểm bắt đầu một phiên chạy của server.
- Luồng sự kiện chính: Người quản trị khởi động chương trình server, hàm khởi
tạo của chương trình tự động gọi câu lệnh thực thi việc nạp mô hình nhận
dạng.
- Luồng thay thế: Chương trình server thông báo không nạp mô hình nhận dạng
thành công, với thông tin cụ thể về lỗi xảy ra, như file định dạng chế độ triển
khai của mô hình hoặc mô hình nhận dạng không hợp lệ.
- Các yêu cầu cụ thể: Phiên bản mô hình nhận dạng là phiên bản hoàn thiện
mới nhất. Các thông tin cấu hình cho chương trình server phải hợp lệ.
- Điều kiện trước: Các thư viện cần thiết cho chương trình server đã được cài
đặt đầy đủ và đúng phiên bản được khuyến cáo.
- Điều kiện sau: Thông báo nạp mô hình thành công.
Cấu hình giao thức gửi/nhận dữ liệu:
- Mục đích: Cấu hình các thông tin quyết định giao thức gửi, nhận dữ liệu giữa
chương trình server và ứng dụng phía client, ví dụ: giao thức HTTP, cổng kết
nối…
- Tác nhân, Mô tả chung:
o Tác nhân: Người quản trị hệ thống.
o Mô tả chung: Người quản trị khi muốn khởi động chương trình server
để nhận các yêu cầu từ ứng dụng client và gửi trả kết quả nhận dạng
thì phải cấu hình giao thức gửi, nhận dữ liệu để thống nhất cách thức
giao tiếp giữa hai thành phần server và client. Việc cấu hình này này
chỉ thực hiện một lần tại thời điểm bắt đầu một phiên chạy của server.
- Luồng sự kiện chính: Người quản trị khởi động chương trình server, hàm khởi
tạo của chương trình tự động gọi câu lệnh thực thi việc cấu hình các thông số
cho giao thức gửi, nhận dữ liệu giữa server và ứng dụng phía client.
- Luồng thay thế: Chương trình server thông báo không thể cấu hình được giao
thức gửi, nhận dữ liệu, với thông tin cụ thể về lỗi xảy ra.
43
- Các yêu cầu cụ thể: Các thông tin của giao thức gửi, nhận dữ liệu phải hợp lệ,
cổng giao tiếp phải ở trạng thái tự do, không bị tranh chấp với các chương
trình khác.
- Điều kiện trước: Các thư viện cần thiết cho chương trình server đã được cài
đặt đầy đủ và đúng phiên bản được khuyến cáo. Chương trình server đã nạp
thành công mô hình nhận dạng.
- Điều kiện sau: Thông báo cấu hình thành công giao thức gửi, nhận dữ liệu
với các thông tin cụ thể của giao thức.
Tạo danh sách luồng xử lý:
- Mục đích: Khởi tạo trước một loạt các luồng xử lý, nhằm phục vụ quá trình
tách riêng tính toán và nhận dạng cho từng yêu cầu phía client trong suốt
phiên chạy của chương trình server.
- Tác nhân, Mô tả chung:
o Tác nhân: Người quản trị hệ thống.
o Mô tả chung: Trong quá trình chạy, để đảm bảo chương trình không bị
chậm trễ khi đồng thời có nhiều yêu cầu từ các client khác nhau,
chương trình server cần thực hiện việc xử lý này theo phương pháp đa
luồng. Nghĩa là: mỗi yêu cầu từ phía client được xử lý trên một luồng
riêng, không bị ảnh hưởng và không gây ảnh hưởng đến các luồng xử
lý khác. Để thuận tiện cho việc quản lý và tránh tình trạng tràn bộ nhớ
(leak-mem) do quản lý luồng không tốt, chương trình khởi tạo trước
danh sách một loạt các luồng xử lý và sử dụng cờ trạng thái để giao
việc cũng như giải phóng luồng.
- Luồng sự kiện chính: Người quản trị khởi động chương trình server, hàm khởi
tạo của chương trình tự động gọi câu lệnh thực thi việc khởi tạo danh sách
một loạt các luồng xử lý. Số lượng luồng xử lý được lưu dưới dạng hằng số
trong file cấu hình chung của hệ thống.
- Luồng thay thế: Chương trình server thông báo không thể khởi tạo thành công
các luồng xử lý.
- Các yêu cầu cụ thể: Không.
- Điều kiện trước: Các thư viện cần thiết cho chương trình server đã được cài
đặt đầy đủ và đúng phiên bản được khuyến cáo. Chương trình server đã hoàn
thành các bước Nạp mô hình huấn luyện và Cấu hình giao thức gửi, nhận dữ
liệu.
- Điều kiện sau: Thông báo tạo thành công danh sách các luồng xử lý.
Gán luồng xử lý cho yêu cầu từ phía Client:
44
- Mục đích: Gán việc tính toán xử lý cho mỗi yêu cầu từ ứng dụng phía client
cho một luồng xử lý đang ở trạng thái rảnh rỗi, nhằm hạn chế tối đa khả năng
gây chậm trễ cho ứng dụng khi phải xử lý cùng lúc nhiều yêu cầu.
- Tác nhân, Mô tả chung:
o Tác nhân: Thành phần xử lý logic quản lý luồng trong chương trình
server.
o Mô tả chung: Mỗi khi có yêu cầu mới từ phía client, đầu tiên server
phải kiểm tra trạng thái tính toán của các luồng xử lý trong danh sách
được khởi tạo từ ban đầu. Nếu có một luồng xử lý đang ở trạng thái
rỗi, server gán luồng xử lý này cho yêu cầu mới nhận để luồng xử lý
thực hiện các phép tính toán, nhận dạng và trả về kết quả cho client
tương ứng. Nếu toàn bộ các luồng xử lý này đều ở trạng thái đang tính
toán thì yêu cầu được đưa vào một hàng đợi, đợi đến khi có một luồng
xử lý được giải phóng và đặt trạng thái rảnh rỗi.
- Luồng sự kiện chính: Thành phần xử lý logic quản lý luồng xử lý kiểm tra
danh sách các luồng xử lý, gán yêu cầu mới nhận được cho một luồng xử lý
rảnh rỗi.
- Luồng thay thế: Nếu không có luồng xử lý nào trong danh sách đang ở trạng
thái rảnh rỗi, yêu cầu được đưa vào hàng đợi và sẽ được xử lý tiếp khi có một
luồng xử lý hoàn thành việc tính toán trước đó.
- Các yêu cầu cụ thể: Trong danh sách luồng xử lý còn ít nhất một luồng ở trạng
thái rảnh rỗi.
- Điều kiện trước: Các luồng xử lý phải được khởi tạo thành công từ khi bắt
đầu chạy chương trình server.
- Điều kiện sau: Thông báo gán luồng xử lý thành công.
Giải phóng luồng xử lý:
- Mục đích: Cập nhật trạng thái của luồng xử lý khi đã hoàn thành việc tính
toán và nhận dạng cho yêu cầu được giao.
- Tác nhân, Mô tả chung:
o Tác nhân: Thành phần xử lý logic quản lý luồng trong chương trình
server.
o Mô tả chung: Khi luồng xử lý hoàn thành việc tính toán, nhận dạng và
gửi kết quả về cho phía client, luồng cần được giải phòng bằng cách
cập nhật lại trạng thái của luồng thành trạng thái rảnh rỗi. Luồng xử lý
tiếp tục đợi đến khi được giao cho một yêu cầu nhận dạng mới từ
server.
45
- Luồng sự kiện chính: Thành phần xử lý logic quản lý luồng xử lý cập nhật
trạng thái của một luồng thành trạng thái rỗi khi luồng đó thông báo hoàn
thành việc xử lý yêu cầu được giao trước đó.
- Luồng thay thế: Không.
- Các yêu cầu cụ thể: Thành phần xử lý logic quản lý luồng xử lý cần phải có
cơ chế để nhận được thông báo hoàn thành tính toán từ các luồng trong danh
sách.
- Điều kiện trước: Các luồng xử lý phải được khởi tạo thành công từ khi bắt
đầu chạy chương trình server. Luồng xử lý đã hoàn thành tính toán và đưa ra
thông báo tới thành phần quản lý logic luồng trong chương trình.
- Điều kiện sau: Thông báo luồng xử lý đã hoàn thành tính toán. Thành phần
quản lý luồng xử lý cập nhật trạng thái của luồng thành trạng thái rảnh rỗi.
Sau đó, thành phần quản lý luồng tiếp tục kiểm tra hàng đợi các yêu cầu từ
client chưa được xử lý, nếu hàng đợi không rỗng thì lấy yêu cầu đầu tiên từ
hàng đợi và gán cho luồng xử lý đang rảnh rỗi.
3.5. Ứng dụng phía Client
Ứng dụng phía Client [1] là ứng dụng trên điện thoại thông minh, là một thành
phần trong hệ thống đảm nhiệm vai trò thu thập ảnh đầu vào để nhận dạng, gồm các
chức năng chính sau đây: Chụp ảnh, Chọn ảnh từ thư viện và Xem kết quả nhận dạng
do mô đun phía Server trả về. Ngoài ra, ứng dụng còn có các chức năng phụ khác, như:
Phàn hồi kết quả, Thay đổi ngôn ngữ hiển thị, Xem thông tin về ứng dụng hoặc hướng
dẫn sử dụng ứng dụng. Chức năng Cấu hình địa chỉ IP máy chủ là chức năng được sử
dụng trong phiên bản thử nghiệm của hệ thống, khi các mô đun phía Server vẫn đang
trong giai đoạn phát triển và kiểm thử chứ chưa đưa vào triển khai thực tế.
46
Hình 3.9: Biểu đồ ca sử dụng của Client
Hình 3.9 đã cho thấy các ca sử dụng của ứng dụng phía client, sau đây ta sẽ đi
vào phần đặc tả chi tiết của ba ca sử dụng chính trong số đó:
Chụp ảnh:
- Mục đích: Chụp ảnh hoa quả và gửi ảnh mới chụp lên cho server thực hiện
tính toán và nhận dạng.
- Tác nhân, Mô tả chung:
o Tác nhân: Người dùng ứng dụng.
o Mô tả chung: Khi người dùng muốn thực hiện nhận dạng một loại hoa
quả nào đó, người dùng có thể chọn chức năng chụp ảnh trực tiếp của
ứng dụng.
- Luồng sự kiện chính: Người dùng thực hiện chụp ảnh hoa quả, ứng dụng thực
hiện mã hóa và nén dữ liệu ảnh rồi gửi lên server, đồng thời hiển thị thông
báo cho người dùng chờ kết quả nhận dạng.
- Luồng thay thế: Ứng dụng thông báo lỗi không thể sử dụng camera của điện
thoại, hoặc thông báo lỗi không thể kết nối đến chương trình server theo địa
chỉ IP đã cấu hình.
- Các yêu cầu cụ thể: Không.
- Điều kiện trước: Ứng dụng đã được khởi động thành công, các thông tin cấu
hình chung cho ứng dụng trên điện thoại được nạp thành công.
- Điều kiện sau: Thông báo người dùng chờ trong lúc chương trình server thực
hiện tính toán nhận dạng.
47
Chọn ảnh trong thư viện ảnh:
- Mục đích: Lấy ra một ảnh đã chụp trong thư viện ảnh trên máy điện thoại để
gửi lên cho server, yêu cầu tính toán nhận dạng.
- Tác nhân, Mô tả chung:
o Tác nhân: Người dùng ứng dụng.
o Mô tả chung: Khi người dùng muốn thực hiện nhận dạng một loại hoa
quả nào đó, nhưng tại thời điểm đó người dùng không có kết nối mạng
để kết nối tới server, người dùng có thể chụp và lưu lại ảnh hoa quả
trong thư viện ảnh của máy điện thoại và thực hiện việc nhận dạng sau
đó.
- Luồng sự kiện chính: Người dùng chọn một ảnh đã lưu trong thư viện ảnh,
ứng dụng thực hiện mã hóa và nén dữ liệu ảnh rồi gửi lên server, đồng thời
hiển thị thông báo cho người dùng chờ kết quả nhận dạng.
- Luồng thay thế: Ứng dụng không thể truy cập vào thư mục thư viện ảnh của
điện thoại, hoặc thông báo lỗi không thể kết nối đến chương trình server
theo địa chỉ IP đã cấu hình.
- Các yêu cầu cụ thể: Không.
- Điều kiện trước: Ứng dụng đã được khởi động thành công, các thông tin cấu
hình chung cho ứng dụng trên điện thoại được nạp thành công.
- Điều kiện sau: Thông báo người dùng chờ trong lúc chương trình server thực
hiện tính toán nhận dạng.
Xem kết quả:
- Mục đích: Hiển thị kết quả nhận dạng hoa quả nhận được từ chương trình
server. Kết quả hiển thị cho người dùng bao gồm một loại hoa quả chính, với
kết quả nhận dạng cao nhất, và bốn loại hoa quả với kết quả nhận dạng thấp
hơn. Việc hiển thị nhiều loại hoa quả thay vì chỉ một loại chính là giúp người
dùng tham khảo các loại hoa quả tương tự, đồng thời phục vụ cho tính năng
phản hồi kết quả khi thông tin nhận dạng bị sai lệch.
- Tác nhân, Mô tả chung:
o Tác nhân: Ứng dụng phía client.
o Mô tả chung: Sau khi chương trình server nhận được yêu cầu từ phía
client, server thực hiện tính toán trên luồng xử lý và trả về kết quả cho
ứng dụng phía client. Lúc này ứng dụng sẽ hiển thị kết quả nhận được
cho người dùng.
- Luồng sự kiện chính: Ứng dụng hiển thị cho người dùng kết quả nhận dạng,
gồm danh sách năm loại quả có kết quả nhận dạng cao nhất.
48
- Luồng thay thế: Ứng dụng hiển thị kết quả là các chuỗi ký tự vô nghĩa, nguyên
nhân do quá trình nhận và bóc tách dữ liệu từ server bị lỗi. Hoặc
- Các yêu cầu cụ thể: Không.
- Điều kiện trước: Ứng dụng đã gửi ảnh lên server và đang ở trạng thái đợi kết
quả tính toán nhận dạng từ server.
- Điều kiện sau: Ứng dụng sẽ hiển thị thành công kết quả nhận được cho người
dùng.
Để kết quả nhận dạng được tốt, các ảnh đầu vào cần phải thỏa mãn một số ràng
buộc chính, các ràng buộc này nhằm đảm bảo sự tương tự nhất định giữa ảnh đầu vào
và bộ ảnh dữ liệu được sử dụng để huấn luyện, từ đó nâng cao tỉ lệ nhận dạng chính xác
của mô hình. Các ràng buộc cụ thể như sau:
1) Trong ảnh đầu vào chỉ có duy nhất một loại quả.
2) Hình ảnh của quả trong ảnh phải chiếm tỉ lệ nhất định trong ảnh, nếu hình ảnh
của quả quá nhỏ sẽ dẫn đến khó khăn trong tính toán đặc trưng, gây nhầm lẫn
giữa quả và nền, từ đó gây ra kết quả sai lệch.
3) Hình ảnh của quả trong ảnh không bị che lấp quá nhiều bởi vật thể khác, do
yếu tố này có ảnh hưởng lớn đến kết quả tính toán đặc trưng của các lớp trong
mạng.
4) Ảnh chụp đầu vào không bị quá nhòe hoặc điều kiện ánh sáng quá kém.
Hiện tại, ứng dụng phía Client mới chỉ được phát triển trên nền tảng điện thoại
thông minh, hệ điều hành Android, và trong tương lai sẽ tiếp tục được phát triển trên các
hệ điều hành cũng nền tảng khác nhau. Việc mở rộng này không quá phức tạp do các
tính toán nhận dạng phức tạp đều dược phía Server xử lý, tính năng phía Client đã được
đơn giản hóa và không có nhiều sự phụ thuộc vào nền tảng bên dưới.
49
Chương 4. Kết quả thử nghiệm và đánh giá
4.1. So sánh với phương pháp Học máy truyền thống
Thực nghiệm với phương pháp Học máy truyền thống:
- Bước 1: Xây dựng CSDL ảnh hoa quả cho 20 loại quả.
- Bước 2: Tiền xử lý ảnh trong CSDL (lọc nền) và gán nhãn. Đặc trưng của
bộ CSDL ảnh này là các ảnh đều được thu thập bằng cách chụp thủ công, nhằm đảm bảo
các ảnh có chất lượng cao, có cùng kích thước và tỉ lệ ảnh, với nền đã bị loại bỏ hoàn
toàn.
Hình 4.1: Một số ảnh đã lọc nền trong bộ CSDL 20 loại quả
- Bước 3: Chọn lọc đặc trưng, cụ thể:
o Về màu sắc:
Sử dụng 16 đặc trưng về số lượng các điểm ảnh với giá trị màu tính theo hệ màu
HSI (Hue-Saturation-Intensity). Ta không sử dụng hệ màu thường gặp nhất là RGB bởi
sau khi chuyển sang hệ màu HSI, ta đã có thể tách biệt được thông tin màu sắc với những
thành phần khác như độ sáng, sự bão hòa…
Cụ thể hơn, ta chia dải màu Hue thành 12 đoạn tương ứng với 12 dải màu chính
(đỏ, vàng, xanh lục…) và chia dải giá trị độ thuần khiết màu sắc Saturation thành 4 đoạn,
sau đó thống kê số điểm ảnh có giá trị điểm màu nằm trong các dải này để thu được 16
giá trị đặc trưng về màu sắc cho mỗi ảnh đầu vào.
Về hình dạng:
Sử dụng 4 đặc trưng về hình dạng của hoa quả trong ảnh là chu vi, diện tích, độ
dài lớn nhất, độ rộng lớn nhất của hoa quả trong ảnh.
Về kết cấu:
Sử dụng 10 đặc trưng về kết cấu, là 10 tham số trong bộ ma trận GLCM (Grey
Level Co-occurrence Matrix) – một ma trận tính toán đặc trưng kết cấu phổ biến trong
lĩnh vực Xử lý ảnh, VD một số tham số được sử dụng như: Entropy, Energy,
Homogenity, Contrast, Correlation…
50
Tổng kết lại, với mỗi ảnh đầu vào ta sẽ tính toán được 30 giá trị đại diện cho 30
đặc trưng về màu sắc, hình dạng và kết cấu. Những đặc trưng này được chọn lựa sau
quá trình tìm hiểu các bài báo, công trình khoa học về sử dụng Học máy trong bài toán
nhận dạng hoa quả và thống kê các đặc trưng được sử dụng nhiều nhất, đạt hiệu quả tốt
nhất.
- Bước 4: Huấn luyện mô hình nhận dạng hoa quả từ CSDL ảnh đã xây
dựng. Bộ CSDL ảnh này chỉ để so sánh tương đối độ chính xác của mô hình truyền
thống so với mô hình học sâu tiên tiến bây giờ, do đó số lượng loại hoa quả được hạn
chế chỉ còn 20 loại, với số lượng ảnh cho mỗi loại là 400-600 ảnh.
- Bước 5: Thống kê độ chính xác với tỉ lệ bộ training/test là 75/25. Kết quả
đạt được không cao, chỉ đạt ~74.5% trên bộ dữ liệu test 2.600 ảnh, và khi thử nghiệm
thực tế cũng gặp phải sai số lớn (do ảnh chụp thực tế có chất lượng không cao và sự
khác biệt lớn so với bộ CSDL ảnh để huấn luyện).
Thực nghiệm với phương pháp Học sâu:
- Bước 1: Xây dựng CSDL ảnh hoa quả cho 20 loại quả.
- Bước 2: Tiền xử lý ảnh trong CSDL (lọc nền) và gán nhãn. Hai bước đầu
tiên này chỉ cần thực hiện một lần khi xây dựng bộ CSDL ảnh huấn luyện cho phương
pháp Học máy truyền thống.
- Bước 3: Thực hiện các bước tính toán cần thiết để ứng dụng mô hình
AlexNet.
- Bước 4: Huấn luyện mô hình nhận dạng hoa quả từ CSDL ảnh đã xây
dựng.
- Bước 5: Thống kê độ chính xác với tỉ lệ bộ training/test là 75/25. Xem
hình kết quả ta có thể thấy độ chính xác đạt được là rất cao, ~98.8%, vượt trội so với với
độ chính xác của mô hình huấn luyện sử dụng phương pháp Học máy truyền thống.
Đánh giá kết quả:
Với kết quả thu được từ hai mô hình huấn luyện sử dụng hai phương pháp khác
nhau trên cùng một bộ CSDL ảnh chất lượng tốt và đã được tiền xử lý cũng như gán
nhãn cẩn thận, ta có thể rút ra kết luận như sau: Với các bài toán nhận dạng và phân loại
đối tượng nói chung, trong đó rất khó có thể chọn được các đặc trưng hiệu quả, thì Học
sâu là phương pháp có ưu thế vượt trội so với các phương pháp Học máy truyền thống.
Học sâu giúp đơn giản hóa quá trình huấn luyện mô hình nhận dạng khi không yêu cầu
sự tham gia của người huấn luyện trong quá trình trích chọn đặc trưng, đồng thời cho
phép tái sử dụng các mô hình đã huấn luyện trước để giảm thời gian cài đặt giải pháp
cho các bài toán nhận dạng mới.
Thông tin tổng quan về bộ CSDL ảnh và quá trình huấn luyện cũng như kết quả
đạt được của hai phương pháp cũng được tóm lược trong bảng bên dưới:
51
Bảng 4.1: So sánh sơ bộ kết quả huấn luyện của 2 phương pháp
Bộ CSDL ảnh
Thời gian
huấn luyện Độ chính xác
Học máy truyền
thống
- Số lượng hoa quả cần nhận
dạng: 20 loại
- Số lượng ảnh trung bình cho
mỗi loại quả: 400-600 ảnh
- Tổng số ảnh được sử dụng
để huấn luyện: 10.400 ảnh
120 phút 74.50%
Học sâu 360 phút 98.76%
4.2. So sánh kết quả với bộ CSDL được sinh tự động
Trong mục 2.3, ta đã chứng minh được khả năng của Học chuyển giao trong việc
giữ được độ chính xác cao của mô hình huấn luyện chỉ với bộ dữ liệu có kích thước
không lớn. Tuy nhiên khi thực hiện cài đặt và tinh chỉnh mô hình, ta vẫn phải liên tục
tăng cường, bổ sung CSDL ảnh để mô hình huấn luyện ngày càng hiệu quả, các tham số
và các đặc trưng cũng được cải thiện, riêng biệt hóa cho bài toán nhận dạng hoa quả. Để
kiểm chứng sự ảnh hưởng của kích thước bộ CSDL ảnh lên độ chính xác của mô hình
nhận dạng, ta thực hiện huấn luyện mô hình hai lần riêng biệt với bộ dữ liệu chỉ gồm
ảnh gốc và với bộ dữ liệu bao gồm cả ảnh gốc cùng với các ảnh được tự động sinh thêm
nhờ các thuật toán xử lý ảnh.
Do kết quả phần thực nghiệm này sẽ được ứng dụng vào chương trình server để
sử dụng trong thực tế, bộ CSDL ảnh được sử dụng là bộ CSDL ảnh đầy đủ, gồm các ảnh
được thu thập và gán nhãn cho 40 loại hoa quả khác nhau.
Thực nghiệm với bộ CSDL ảnh gốc:
- Số lượng ảnh gốc cho mỗi loại quả: 500-1000 ảnh
- Tổng số ảnh dùng để huấn luyện: 21.000 ảnh
- Tổng số ảnh dùng để test: 7.000 ảnh
- Thời gian huấn luyện cho 20.000 lượt: 5 tiếng
- Độ chính xác: 65,49%
Thực nghiệm với bộ CSDL ảnh được sinh tự động từ ảnh gốc:
Từ mỗi ảnh gốc, sau khi sử dụng các thuật toán xử lý ảnh như chiếu nghiêng
(skew), thêm nhiễu và ghép nền khác ta sẽ thu được 9 ảnh mới để tăng cường cho bộ
CSDL ảnh huấn luyện.
52
Hình 4.2: Ảnh hoa quả gốc và các ảnh được sinh tự động
- Số lượng ảnh gốc cho mỗi loại quả: 500-1000 ảnh
- Số lượng ảnh sinh thêm từ một ảnh gốc: 9 ảnh
- Tổng số ảnh dùng để huấn luyện: 210.000 ảnh
- Tổng số ảnh dùng để test: 70.000 ảnh
- Thời gian huấn luyện cho 20.000 lượt: 30 tiếng
- Độ chính xác: 98,67%
Đánh giá kết quả:
Sự cải thiện rõ rệt trong độ chính xác của mô hình nhận dạng sau khi tăng cường
CSDL ảnh huấn luyện đã cho thấy hiệu quả thực tế của các phép sinh ảnh tự động sử
dụng các phương pháp xử lý ảnh cơ bản. Chất lượng nhận dạng của ứng dụng trong thực
tế cũng được tăng lên do các ảnh được sinh tự động giúp mô phỏng quá trình chụp ảnh
trong đời thực, như các góc chụp khác nhau, các nhiễu sinh ra do môi trường, chất lượng
máy ảnh… cũng như sự đa dạng của nền mà người dùng sử dụng để chụp ảnh. Việc tăng
cường CSDL ảnh cũng là một giải pháp cho trường hợp khó thu thập ảnh để huấn luyện
mô hình, tuy nhiên cũng cần phải chú ý đến mặt trái của việc lạm dụng phương pháp
tăng cường ảnh này, đó là nguy cơ gây ra trạng thái “overfit” dữ liệu (mô hình nhận
dạng quá khớp với dữ liệu huấn luyện mà bị sai lệch với dữ liệu thực tế).
Bảng 4.2 tóm lược lại kết quả so sánh độ chính xác của mô hình nhận dạng được
huấn luyện với hai bộ CSDL khác nhau: một bộ CSDL ảnh gốc và một bộ có bổ sung
thêm các ảnh được sinh tự động bởi thuật toán Xử lý ảnh.
Bảng 4.2: Ảnh hưởng của bộ ảnh sinh tự động với chất lượng mô hình nhận dạng
Bộ CSDL ảnh
Thời gian
huấn luyện Độ chính xác
Bộ CSDL ảnh gốc
- Số lượng hoa quả cần nhận
dạng: 40 loại
- Số lượng ảnh trung bình cho
mỗi loại quả: 500-1000 ảnh
- Tổng số ảnh được sử dụng
để huấn luyện: 28.000 ảnh
5 tiếng 65,49%
Bộ CSDL ảnh gốc,
bổ sung thêm ảnh
sinh tự động
- Số lượng hoa quả cần nhận
dạng: 40 loại 30 tiếng 98,67%
53
- Số lượng ảnh trung bình cho
mỗi loại quả: 5.000-10.000
ảnh
- Tổng số ảnh được sử dụng
để huấn luyện: 280.000 ảnh
4.3. Thử nghiệm ứng dụng trong thực tế
Ứng dụng Nhận dạng hoa quả - Fruit Recognition - đã được thử nghiệm thực tế
với nhiều mẫu hoa quả khác nhau, được chia thành hai nhóm chính: Nhóm đã được huấn
luyện nhận dạng và nhóm chưa được huấn luyện. Kết quả đạt được tương đối tốt, cụ thể
như sau:
- Nhóm hoa quả nằm trong danh sách 40 quả được chọn để xây dựng bộ dữ
liệu nhận dạng: Kết quả nhận dạng đạt độ chính xác khá cao, đặc biệt là với những loại
quả có nét đặc trưng về màu sắc hoặc hình dạng như chuối, thanh long, chôm chôm…
Hình 4.3: Kết quả nhận dạng tốt với loại quả có đặc trưng riêng biệt
Đối với những loại quả có nhiều nét tương đồng lẫn nhau, kết quả nhận dạng của
ứng dụng còn đôi lúc bị nhầm lẫn, đặc biệt trong các trường hợp ảnh được chụp theo
góc nhìn chưa tốt dẫn đến ảnh không thể hiện được các đặc trưng riêng của quả. Những
sai sót này là không thể tránh khỏi vì trong nhiều trường hợp, mắt người cũng không dễ
dàng phân biệt được chúng nếu chỉ dựa vào một hình ảnh chụp mà không có sự hỗ trợ
của các giác quan khác như khứu giác hay vị giác.
Hình 4.4: Kết quả nhận dạng chưa tốt với loại quả không có đặc trưng riêng biệt
54
Có thể thấy trong hình trên, hình ảnh quả đào được chụp ở góc độ chưa tốt, khiến
cho hệ thống nhận dạng nhầm lẫn. Tuy nhiên ta có thể thấy được điều này qua thông số
thể hiện độ chính xác khi nhận dạng mà mô hình đưa ra: tỉ lệ nhận dạng đúng của quả
mận chi đạt 41,67%, không cao hơn nhiều so với quả đào là 34,28%, và quá thấp so với
tỉ lệ nhận dạng thông thường (lớn hơn 90%).
- Nhóm hoa quả nằm ngoài danh sách 40 quả: Hệ thống sẽ tính toán và trả
về kết quả nhận dạng là một trong 40 loại hoa quả có tỉ lệ giống nhất với loại quả cần
nhận dạng. Độ tương đồng giữa hai loại quả này ta có thể nhận thấy rất rõ ràng:
Hình 4.5: Kết quả nhận dạng với loại quả không được huấn luyện
Trong trường hợp như hình trên, khi ta yêu cầu hệ thống nhận dạng quả bòn bon,
do bòn bon không có trong danh sách 40 quả được huấn luyện nhận dạng nên kết quả
trả về là loại quả có sự tương đồng cao nhất, quả nhãn.
Ngoài ra, kết quả thực nghiệm thu được cho thấy hệ thống nhận dạng đạt được
kết quả tương đối chuẩn xác với các trường hợp hình ảnh quả trong ảnh đầu vào bị che
khuất một phần, điều kiện ánh sáng không thực sự tốt cũng như các trường hợp ảnh bị
biến dạng nhẹ. Đây chính là các khó khăn đối với bài toán nhận dạng vật thể nói chung
mà ta đã đề cập tới trong phần mở đầu của luận văn, lý giải cho điều này là do trong quá
trình thu thập ảnh ban đầu cũng như sinh ảnh tự động từ các ảnh gốc, mô hình nhận dạng
đã được huấn luyện để nhận ra các trường hợp tương tự. Khả năng dự đoán mạnh mẽ
này đã giúp cho các phương pháp Học sâu, đặc biệt là mạng huấn luyện no ron tích chập
CNN trở thành giải pháp mạnh mẽ nhất trong lĩnh vực nhận dạng ảnh bây giờ.
55
Chương 5. Kết luận
Luận văn đã nghiên cứu, tìm hiểu bài toán tự động nhận dạng và phân loại hoa
quả trong ảnh màu, và thực hiện phát triển, cài đặt phương án giải quyết cho bài toán
dựa trên sự thống kê các hướng tiếp cận đã được công bố qua rất nhiều bài báo, công
trình khoa học trên thế giới. Các kết quả chính mà luận văn đã đạt được, tương ứng với
các mục tiêu đề ra ban đầu như sau:
- Hoàn thiện xây dựng bộ cơ sở dữ liệu ảnh phục vụ huấn luyện nhận dạng
cho 40 loại hoa quả phổ biến ở nước ta, với số lượng ảnh gốc trung bình cho mỗi loại
quả là từ 500-1000 ảnh.
- Thống kê các đặc trưng thường được sử dụng để huấn luyện bộ nhận dạng
hoa quả trong các phương pháp Học máy truyền thống, bao gồm các đặc trưng về màu
sắc, hình dạng và kết cấu. Từ đó làm cơ sở xây dựng một mạng nơ-ron nhân tạo truyền
thống và so sánh kết quả với một mạng nơ-ron tích chập thuộc nhóm phương pháp Học
sâu.
- Cài đặt và tinh chỉnh một mạng nơ-ron tích chập đã được huấn luyện trước,
ứng dụng vào bài toán nhận dạng hoa quả. Đồng thời xây dựng hệ thống tự động nhận
dạng hoa quả Fruit Recognition System với ứng dụng client trên điện thoại thông minh.
Thực nghiệm với bộ dữ liệu test và trong thực tế đã cho kết quả khá tốt, nguyên
nhân chính là do phạm vi số lượng hoa quả để nhận dạng đã được hạn chế chỉ còn 40
loại – một con số rất khiêm tốn so với số lượng hoa quả ở Việt Nam nói riêng và cả thế
giới nói chung. Hệ thống tự động nhận dạng hoa quả còn cần rất nhiều cải thiện, đặc
biệt là về khả năng mở rộng phạm vi loại hoa quả cũng như kích thước, chất lượng của
bộ CSDL ảnh huấn luyện. Trong tương lai, để có thể cải thiện độ chính xác của mô hình
nhận dạng, tôi đề xuất cài đặt thử nghiệm và đánh giá các loại mô hình mạng Học sâu
đã được huấn luyện trước, đặc biệt là các mạng đã đạt được kết quả cao trong cuộc thi
Nhận dạng ảnh quy mô lớn do ImageNet tổ chức thường niên như: ZF Net (2013), VGG
Net (2014), GoogleNet và Microsoft ResNet (2015)…
56
TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Trần Tuấn Linh. (2017). Ứng dụng nhận dạng hoa quả cho điện thoại thông minh
dựa trên hình ảnh.
[2] Vũ Hữu Tiệp. (2017). Machine Learning cơ bản.
http://machinelearningcoban.com/general/2017/02/06/featureengineering/
Tiếng Anh
[3] Andrej Karpathy. CS231n Convolutional Neural Networks for Visual Recognition
- Image Classification. http://cs231n.github.io/classification/
[4] Sadrnia, H., Rajabipour, A., Jafary, A., Javadi, A., & Mostofi, Y. (2007).
Classification and analysis of fruit shapes in long type watermelon using image
processing. Int J Agric Biol, 9(1), 68–70.
[5] Fu, L., Sun, S., Li, R., & Wang, S. (2016). Classification of kiwifruit grades based
on fruit shape using a single camera. Sensors (Switzerland), 16(7), 1–14.
[6] Seng, W. C., & Mirisaee, S. H. (2009). A new method for fruits recognition system.
Proceedings of the 2009 International Conference on Electrical Engineering and
Informatics, ICEEI 2009, 1, 130–134.
[7] Arivazhagan, S., Shebiah, R. N., Nidhyanandhan, S. S., & Ganesan, L. (2010). Fruit
Recognition using Color and Texture Features. Information Sciences, 1(2), 90–94.
[8] Zhang, Y., & Wu, L. (2012). Classification of fruits using computer vision and a
multiclass support vector machine. Sensors (Switzerland), 12(9), 12489–12505.
[9] Naskar, S. (2015). A Fruit Recognition Technique using Multiple Features and
Artificial Neural Network, 116(20), 23–28.
[10] GilPress. (2016). Visually Linking AI, Machine Learning, Deep Learning, Big
Data and Data Science | What’s The Big Data?
https://whatsthebigdata.com/2016/10/17/visually-linking-ai-machine-learning-
deep-learning-big-data-and-data-science/
[11] Lee, H., Grosse, R., Ranganath, R., & Ng, A. Y. (2009). Convolutional deep belief
networks for scalable unsupervised learning of hierarchical representations.
Proceedings of the 26th Annual International Conference on Machine Learning -
ICML ’09, 1–8.
[12] Huew Engineering. (2015). Introduction to Convolution Neural Networks – Huew
Engineering. https://engineering.huew.co/introduction-to-convolution-neural-
networks-18981d1cd09a
57
[13] Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep
learning.
[14] Samer, C. H., Rishi, K., & Rowen. (2015). Image Recognition Using
Convolutional Neural Networks. Cadence Whitepaper, 1–12.
[15] Andrej Karpathy. (n.d.). CS231n Convolutional Neural Networks for Visual
Recognition - Transfer Learning. http://cs231n.github.io/transfer-learning/
[16] Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are
features in deep neural networks? Advances in Neural Information Processing
Systems 27 (Proceedings of NIPS), 27, 1–9.
[17] Jimmie Goode. (2015). Classifying images in the Oxford 102 flower dataset with
CNNs – Jimmie Goode. http://jimgoo.com/flower-power/
[18] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Fei-Fei, L.
(2015). ImageNet Large Scale Visual Recognition Challenge. International
Journal of Computer Vision, 115(3), 211–252.
[19] ImageNet Large Scale Visual Recognition Competition 2012 (ILSVRC2012).
http://image-net.org/challenges/LSVRC/2012/results.html
[20] Krizhevsky, A., Sutskever, I., & Geoffrey E., H. (2012). ImageNet Classification
with Deep Convolutional Neural Networks. Advances in Neural Information
Processing Systems 25 (NIPS2012), 1–9.
[21] Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Darrell,
T. (2014). Caffe: Convolutional Architecture for Fast Feature Embedding.
http://arxiv.org/abs/1408.5093
[22] Welcome — Theano 0.9.0 documentation.
http://deeplearning.net/software/theano/
[23] Torch | Tutorials for learning Torch. http://torch.ch/docs/tutorials.html
[24] TensorFlow. https://www.tensorflow.org/
[25] Andrej Karpathy. (n.d.). CS231n Convolutional Neural Networks for Visual
Recognition - Visualizing what ConvNets learn.
http://cs231n.github.io/understanding-cnn/